面向分布式协同运输的事件触发通信与基于共识控制的深度强化学习
机器人学
2022-12-06 v1
摘要
在本文中，我们给出多智能体协同运输控制策略设计问题的一种解决方案。尽管现有的基于学习的方法假设智能体数量与训练环境中的相同，但考虑到机器人电池可能完全耗尽，或可能引入额外机器人以减少完成任务所需时间，实际中数量可能不同。因此，习得的策略适用于智能体数量不同于训练环境的场景至关重要。本文中，我们提出一种新颖的用于分布式协同运输的事件触发通信与基于共识控制的多智能体强化学习框架。所提策略模型利用与邻域智能体的合力与合力矩估计，以共识方式估计合力与合力矩。此外，它计算控制与通信输入，以在局部观测及合力与合力矩估计下决定何时与相邻智能体通信。因此，所提框架能在智能体数量不同于训练环境的场景中平衡控制性能与通信节省。我们通过分别在仿真与实验中最多使用八个和六个机器人证实了方法的有效性。
引用
@article{arxiv.2212.01958,
title = {Deep reinforcement learning of event-triggered communication and consensus-based control for distributed cooperative transport},
author = {Kazuki Shibata and Tomohiko Jimbo and Takamitsu Matsubara},
journal= {arXiv preprint arXiv:2212.01958},
year = {2022}
}
备注
14 pages, 14 figures