IsaacLab 中可扩展异构多智能体对抗强化学习的框架
机器学习
2025-10-03 v1 机器人学
摘要
多智能体强化学习（MARL）是动态环境中机器人系统协作的核心。虽然先前的工作侧重于这些协作场景，但对抗交互对于现实世界应用（如追捕-逃避、安全和竞争性操控）同样至关重要。在这项工作中，我们将 IsaacLab 框架扩展以支持在高保真物理模拟中进行可扩展的对抗策略训练。我们引入了一套对抗性 MARL 环境，其特征是具有不对称目标和能力的异构智能体。我们的平台将异构智能体强化学习与近端策略优化（HAPPO）的竞争变体相结合，能够在对抗动态下进行高效训练和评估。在多个基准场景上的实验证明了该框架在保持高吞吐量和模拟真实性的同时，对形态多样的多智能体竞争进行建模和训练鲁棒策略的能力。代码和基准测试可在以下地址获取：https://github.com/DIRECTLab/IsaacLab-HARL 。
引用
@article{arxiv.2510.01264,
title = {A Framework for Scalable Heterogeneous Multi-Agent Adversarial Reinforcement Learning in IsaacLab},
author = {Isaac Peterson and Christopher Allred and Jacob Morrey and Mario Harper},
journal= {arXiv preprint arXiv:2510.01264},
year = {2025}
}
备注
8 page, 9 figures, code https://github.com/DIRECTLab/IsaacLab-HARL