稀疏奖励多智能体强化学习中的好奇心驱动探索
人工智能
2023-02-22 v1
摘要
在应用深度强化学习方法时,奖励的稀疏性会负面影响其样本效率。处理奖励稀疏性的一个可行方案是通过内在动机进行学习,其主张在奖励函数中添加内在奖励以鼓励智能体探索环境并扩展样本空间。尽管内在动机方法被广泛用于改进强化学习模型中的数据高效学习,它们也遭受所谓的脱离问题。在本文中,我们讨论了内在好奇心模块在稀疏奖励多智能体强化学习中的局限性,并提出了一种称为I-Go-Explore的方法,将内在好奇心模块与Go-Explore框架相结合以缓解脱离问题。
引用
@article{arxiv.2302.10825,
title = {Curiosity-driven Exploration in Sparse-reward Multi-agent Reinforcement Learning},
author = {Jiong Li and Pratik Gajane},
journal= {arXiv preprint arXiv:2302.10825},
year = {2023}
}