协同同步:超越边际策略的多智能体具身任务方法
计算机视觉与模式识别
2020-07-10 v1 人工智能
机器学习
多智能体系统
摘要
自主智能体必须学会协作。当任务难度超出单个智能体能力时,每次都开发新的集中式智能体是不可扩展的。尽管多智能体协作研究在类网格世界环境中蓬勃发展,相对较少的工作考虑视觉丰富的领域。为此,我们引入新任务FurnMove,其中智能体共同将一件家具穿过客厅移动到目标点。与现有任务不同,FurnMove要求智能体在每个时间步进行协调。我们确定了训练智能体完成FurnMove时的两个挑战:现有的分散式动作采样过程不允许表达性联合动作策略,且在需要紧密协调的任务中,失败动作的数量主导了成功动作。为应对这些挑战,我们引入SYNC-policies(同步你的动作连贯地)和CORDIAL(协调损失)。使用SYNC-policies和CORDIAL,我们的智能体在FurnMove上实现了58%的完成率,相较有竞争力的分散式基线绝对提升了25个百分点。我们的数据集、代码和预训练模型可在 https://unnat.github.io/cordial-sync 获取。
引用
@article{arxiv.2007.04979,
title = {A Cordial Sync: Going Beyond Marginal Policies for Multi-Agent Embodied Tasks},
author = {Unnat Jain and Luca Weihs and Eric Kolve and Ali Farhadi and Svetlana Lazebnik and Aniruddha Kembhavi and Alexander Schwing},
journal= {arXiv preprint arXiv:2007.04979},
year = {2020}
}
备注
Accepted to ECCV 2020 (spotlight); Project page: https://unnat.github.io/cordial-sync