面向抗噪声鲁棒协调的分布式多智能体深度强化学习
人工智能
2022-05-20 v1
摘要
在多智能体系统中，降噪技术对提升系统整体可靠性十分重要，因为智能体需依赖有限的环境信息来与周围智能体发展协作与协调行为。然而，以往研究常采用集中式降噪方法以在含噪声多智能体环境中建立鲁棒且通用的协调，而分布式与去中心化自主智能体更契合真实世界应用。本文引入一种用于多智能体系统的分布式注意力 actor 架构模型（DA3-X），并借此证明配备 DA3-X 的智能体可有选择地学习噪声环境并表现出协作行为。我们通过对比有无 DA3-X 的学习方法实验评估其有效性，表明配备 DA3-X 的智能体性能优于基线智能体。此外，我们可视化 DA3-X 的注意力权重热力图，以分析决策过程与协调行为如何受噪声影响。
引用
@article{arxiv.2205.09705,
title = {Distributed Multi-Agent Deep Reinforcement Learning for Robust Coordination against Noise},
author = {Yoshinari Motokawa and Toshiharu Sugawara},
journal= {arXiv preprint arXiv:2205.09705},
year = {2022}
}
备注
Accepted to The 2022 International Joint Conference on Neural Networks (IJCNN 2022)