基于带信息势场奖励的多智能体强化学习的去中心化多 AGV 任务分配
机器人学
2021-08-17 v1
摘要
自动导引车（AGVs）已广泛用于柔性车间中的物料搬运。每种产品在生产过程中需要多种原材料以完成装配。AGVs 用于实现不同位置原材料的自动搬运。高效的 AGV 任务分配策略可降低运输成本并提高配送效率。然而，传统集中式方法对控制中心的计算能力与实时性要求很高。本文提出去中心化方案以实现灵活、自组织的 AGV 任务分配。具体而言，我们提出两种改进的多智能体强化学习算法 MADDPG-IPF（信息势场）和 BiCNet-IPF，以实现适应不同场景的 AGV 间协调。为解决奖励稀疏问题，我们提出基于信息势场的奖励塑造策略，其提供逐步奖励并隐式引导 AGV 前往不同物料目标。我们在不同设置（3 台 AGV 和 6 台 AGV）下开展实验，结果表明与基线方法相比，我们的工作取得了高达 47% 的任务响应提升和 22% 的训练迭代减少。
引用
@article{arxiv.2108.06886,
title = {Decentralized Multi-AGV Task Allocation based on Multi-Agent Reinforcement Learning with Information Potential Field Rewards},
author = {Mengyuan Li and Bin Guo and Jiangshan Zhang and Jiaqi Liu and Sicong Liu and Zhiwen Yu and Zhetao Li and Liyao Xiang},
journal= {arXiv preprint arXiv:2108.06886},
year = {2021}
}