用于去中心化多机器人控制的深度强化学习：DQN 方法实现鲁棒性与信息集成

多机器人系统（MRS）在各种复杂环境中的优越性毋庸置疑。然而，在搜索与救援、环境监测和自动生产等复杂场景中，机器人往往需要在没有中央控制单元的情况下协同工作。这需要一个高效且鲁棒的去中心化控制机制来处理局部信息并引导机器人的行为。在本工作中，我们提出了一种新的去中心化控制器设计方法，利用深度强化学习中的深度 Q 网络（DQN）算法，旨在提高多机器人系统中局部信息的集成和鲁棒性。所设计的控制器允许每个机器人基于其局部观测独立做出决策，同时通过共享学习机制增强整个系统的协作效率和对动态环境的适应性。通过在模拟环境中的测试，我们证明了该控制器在提高任务执行效率、增强系统容错能力和提升环境适应性方面的有效性。此外，我们探讨了 DQN 参数调优对系统性能的影响，为控制器设计的进一步优化提供了见解。本研究不仅展示了 DQN 算法在多机器人系统去中心化控制中的潜在应用，还提供了一种通过信息集成提升系统整体性能和鲁棒性的新视角。