稀疏可观测环境下基于多智能体强化学习的对抗式搜索与跟踪
机器学习
2023-10-24 v2 人工智能
机器人学
摘要
我们研究了一个搜索与跟踪（S&T）问题，其中一组动态搜索智能体必须协作跟踪一个对抗性、规避型智能体。异构搜索团队在大搜索空间中可能只能获取有限数量的过往对手轨迹。该问题对基于模型的搜索和强化学习（RL）方法都具挑战性，因为对手在大型空间中表现出反应性和欺骗性的规避行为，导致搜索智能体的检测稀疏。为应对这一挑战，我们提出了一种新颖的多智能体 RL（MARL）框架，其利用了来自我们可学习滤波模型的估计对手位置。我们表明，我们的 MARL 架构能优于所有基线，并将检测率提高了 46%。
引用
@article{arxiv.2306.11301,
title = {Adversarial Search and Tracking with Multiagent Reinforcement Learning in Sparsely Observable Environment},
author = {Zixuan Wu and Sean Ye and Manisha Natarajan and Letian Chen and Rohan Paleja and Matthew C. Gombolay},
journal= {arXiv preprint arXiv:2306.11301},
year = {2023}
}
备注
Accepted by IEEE International Symposium on Multi-Robot & Multi-Agent Systems (MRS) 2023