多智能体强化学习导论及其在自主出行中应用的综述
人工智能
2022-08-03 v2 多智能体系统
摘要
出行与交通中的许多场景涉及多个不同智能体，它们需要协作以找到联合解决方案。行为规划的最新进展使用强化学习（Reinforcement Learning）来寻找高效且高性能的行为策略。然而，随着自动驾驶车辆和车联网（vehicle-to-X）通信日益成熟，仅利用单一独立智能体的解决方案错失了潜在的性能提升。多智能体强化学习（Multi-Agent Reinforcement Learning，MARL）是一个旨在为相互交互的多个智能体寻找最优解的研究领域。本文旨在向自主出行领域的研究者概述该领域。我们首先解释 MARL 并介绍重要概念。随后，我们讨论支撑 MARL 算法的核心范式，并概述各范式中的前沿方法与思路。在此背景下，我们调研 MARL 在自主出行场景中的应用，并概述现有场景与实现。
引用
@article{arxiv.2203.07676,
title = {An Introduction to Multi-Agent Reinforcement Learning and Review of its Application to Autonomous Mobility},
author = {Lukas M. Schmidt and Johanna Brosig and Axel Plinge and Bjoern M. Eskofier and Christopher Mutschler},
journal= {arXiv preprint arXiv:2203.07676},
year = {2022}
}
备注
8 pages, 2 figures