建筑工地的去中心化非对称多智能体学习
机器人学
2024-10-17 v1
摘要
多智能体协作涉及多个参与者在共享环境中协同工作以实现共同目标。这些智能体共享信息、分配任务并同步其行动。多智能体协作的关键方面包括协调、通信、任务分配、合作、适应和去中心化。在建筑工地上，场地平整是推平沙堆以提高特定区域高度的过程。在此场景中，推土机进行平整作业，而自卸车分配沙堆。我们的工作旨在利用多智能体方法使这些车辆能够有效协作。为此，我们提出了一种面向建筑工地的去中心化非对称多智能体学习方法（DAMALCS）。我们构建DAMALCS以减少作业车辆的预期碰撞。因此，我们开发了两个启发式专家，它们能够通过应用一种创新的优先级排序方法最优地实现其联合目标。在这种方法中，推土机的移动优先于自卸车的作业，使推土机能够为自卸车清除路径并确保两辆车的连续作业。由于仅靠启发式方法在现实场景中是不够的，我们利用它们来训练AI智能体，事实证明这非常有效。我们同时训练推土机和自卸车智能体在同一环境中运行，旨在避免碰撞并优化时间效率和沙土处理量方面的性能。我们在仿真和现实实验室实验中评估了训练的智能体和启发式方法，在各种条件下（如视觉噪声和定位误差）对它们进行了测试。结果表明，我们的方法显著降低了这些车辆的碰撞率。
引用
@article{arxiv.2409.10375,
title = {Decentralized and Asymmetric Multi-Agent Learning in Construction Sites},
author = {Yakov Miron and Dan Navon and Yuval Goldfracht and Dotan Di Castro and Itzik Klein},
journal= {arXiv preprint arXiv:2409.10375},
year = {2024}
}