非黏性群集在杂乱环境中通过深度强化学习的去中心化驱赶
系统与控制
2025-11-27 v1 系统与控制
摘要
本文研究了在杂乱环境中的去中心化驱赶问题，其中受限数量的驱赶器必须在存在静态障碍物的情况下，将较大群体的非黏性、扩散型目标引导至目标区域。提出了一种层次化控制架构，集成了高层目标分配规则——每位驱赶器与选定的目标配对——以及基于学习的低层驱动模块，后者实现了对所分配目标的有效引导。低层策略在单驱赶器-单目标场景下进行训练，假设存在矩形障碍物，并使用近端策略优化 (Proximal Policy Optimization) 算法训练。随后直接扩展至多智能体设置，处理多个障碍物，无需重新训练。数值仿真结果表明，轨迹平滑且无碰撞，能够稳定收敛至目标区域，凸显了强化学习在复杂环境中实现可扩展、无模型驱赶的潜力。
引用
@article{arxiv.2511.21405,
title = {Decentralized Shepherding of Non-Cohesive Swarms Through Cluttered Environments via Deep Reinforcement Learning},
author = {Cristiana Punzo and Italo Napolitano and Cinzia Tomaselli and Mario di Bernardo},
journal= {arXiv preprint arXiv:2511.21405},
year = {2025}
}