AB-Mapper：基于注意力与BicNet的动态拥挤环境多智能体路径规划
机器人学
2021-10-05 v1 多智能体系统
摘要
动态拥挤环境中的多智能体路径规划对现实世界中的多机器人系统具有重要的学术与实用价值。为提升动态拥挤环境下路径规划过程中通信与学习的有效性和效率，我们在 actor-critic 强化学习框架下提出了一种称为基于注意力与BicNet的有效强化多智能体路径规划（AB-Mapper）的算法。在该框架中，一方面，我们在 actor 网络中利用具有通信功能的 BicNet 实现团队内部协调；另一方面，我们提出了一种集中式 critic 网络，能够对周围智能体选择性分配注意力权重。该注意力机制使单个智能体在考虑周围智能体行为的情况下，自动学习对动作更好的评估。与当前最优方法 Mapper 相比，我们的 AB-Mapper 在求解含动态障碍物的通用路径规划问题时更有效（成功率 85.86% 对比 81.56%）。此外，在拥挤场景中，我们的方法大幅优于 Mapper 方法，每次实验均达到超过 40% 的显著差距。
引用
@article{arxiv.2110.00760,
title = {AB-Mapper: Attention and BicNet Based Multi-agent Path Finding for Dynamic Crowded Environment},
author = {Huifeng Guan and Yuan Gao and Min Zhao and Yong Yang and Fuqin Deng and Tin Lun Lam},
journal= {arXiv preprint arXiv:2110.00760},
year = {2021}
}