基于深度强化学习的多机器人社交导航注意力图
机器人学
2024-02-01 v1 人工智能
摘要
学习行人间机器人导航策略对于基于领域的应用至关重要。结合感知、规划和预测使我们能够对机器人与行人之间的交互进行建模，从而产生令人印象深刻的结果，尤其是近期基于深度强化学习(RL)的方法。然而，这些工作并未考虑多机器人场景。在本文中，我们提出了MultiSoc，一种利用强化学习学习多智能体社交感知导航策略的新方法。受近期多智能体深度强化学习工作的启发，我们的方法利用基于图的智能体交互表示，结合了实体（行人和智能体）的位置和视野。每个智能体使用一个基于两个图神经网络并结合注意力机制的模型。首先，边选择器生成一个稀疏图，然后人群协调器应用节点注意力生成一个表示每个实体对其他实体影响的图。这被整合到一个无模型强化学习框架中，以学习多智能体策略。我们在仿真环境中评估了我们的方法，并在各种条件（智能体/行人数量）下进行了一系列实验。实证结果表明，我们的方法比社交导航深度强化学习单智能体技术学习得更快，并且能够在具有多个异构人类的挑战性人群导航中实现高效的多智能体隐式协调。此外，通过整合可定制的元参数，我们可以调整在我们的导航策略中考虑的邻域密度。
引用
@article{arxiv.2401.17914,
title = {Attention Graph for Multi-Robot Social Navigation with Deep Reinforcement Learning},
author = {Erwan Escudie and Laetitia Matignon and Jacques Saraydaryan},
journal= {arXiv preprint arXiv:2401.17914},
year = {2024}
}