基于宏动作的去中心化多机器人探索深度强化学习
机器人学
2024-02-27 v2
摘要
协作式多机器人团队需要能够在杂乱且非结构化的环境中进行探索，同时应对通信中断，这些中断会阻碍它们交换局部信息以维持团队协调。因此，机器人在动作选择时需要考量队友的高层意图。在本通讯中，我们提出首个宏动作去中心化探索网络（MADE-Net），利用多智能体深度强化学习（DRL）来解决在未知、非结构化和杂乱环境中多机器人探索时的通信中断挑战。我们进行了模拟机器人团队探索实验，并与经典方法和DRL方法进行比较，其中MADE-Net在计算时间、总行进距离、机器人间局部交互次数以及在不同程度通信中断下的探索率方面均优于所有基准方法。在三维环境中的可扩展性研究表明，随着团队和环境规模增大，MADE-Net的探索时间减少。所呈现的实验凸显了我们方法的有效性和鲁棒性。
引用
@article{arxiv.2110.02181,
title = {Deep Reinforcement Learning for Decentralized Multi-Robot Exploration With Macro Actions},
author = {Aaron Hao Tan and Federico Pizarro Bejarano and Yuhan Zhu and Richard Ren and Goldie Nejat},
journal= {arXiv preprint arXiv:2110.02181},
year = {2024}
}
备注
8 pages, 7 figures