Distributed Secure Learning Control for Large-scale Multirobots under Stealthy Actuator Attacks

doi:10.1109/tro.2026.3737565

Distributed Secure Learning Control for Large-scale Multirobots under Stealthy Actuator Attacks

2026-09-24

0

PRE

AI

DOI：10.1109/tro.2026.3737565

原文链接

原文求助

摘要

En 中文

分布式学习控制在多机器人系统（MRS）中面对不确定性时提供了显著灵活性，但缺乏可证明的性能保证。一个有前景的方向是将强化学习（RL）融入分布式模型预测控制（DMPC），利用RL在非线性策略设计方面的优势以及DMPC的滚动时域重规划能力。然而，在这种学习框架下确保安全控制，特别是在恶意网络攻击尤其是隐蔽攻击下，仍然是一个关键挑战，因为分布式策略生成依赖于邻居间的信息交换，其中被攻陷的代理可以通过通信网络迅速影响其他代理的行为。本文针对恶意、隐蔽执行器攻击下的多机器人系统提出了一个分布式安全学习控制（DSLC）框架。我们的框架具有两个关键特征：(i) 一种统一方法，能够实现涵盖一般队形、仿射队形和包围等不同协同场景的安全学习控制；(ii) 一种基于博弈论分布式学习预测控制策略，通过基于微分博弈的DMPC框架学习如何平衡攻击者与防御者。具体而言，DSLC采用分布式攻击者-演员-评论家架构，在每个预测间隔内在线学习最优防御与攻击策略。与基于数值优化的控制器计算开环控制序列不同，我们的方法同时以解析闭环形式生成对抗攻击策略和相应的防御策略。防御策略可推广至不同规模和多样化执行器攻击概率的多机器人系统，实现大规模MRS中快速且安全的控制部署。DSLC的有效性和可扩展性通过多种控制任务在多个轮式机器人上的实验得到验证。

Keyword:

Multirobots

malicious attacks

differential game

distributed model predictive control

learning control

Distributed Secure Learning Control for Large-scale Multirobots under Stealthy Actuator Attacks

摘要

期刊

机构

引用论文