面向协作多机器人物体操作的分布式强化学习
机器人学
2021-05-07 v1 计算机科学与博弈论
机器学习
多智能体系统
摘要
我们考虑使用强化学习 (RL) 解决协作多机器人物体操作任务。我们提出两种分布式多智能体 RL 方法：分布式近似 RL (DA-RL)，其中每个智能体采用带个体奖励函数的 Q-learning；以及博弈论 RL (GT-RL)，其中智能体基于双矩阵 Q 值博弈的纳什均衡更新其 Q 值。我们在两只模拟机械臂的协作物体操作设定中验证所提方法。尽管本文聚焦于两智能体的小系统，DA-RL 与 GT-RL 均适用于一般多智能体系统，并有望良好扩展至大型系统。
引用
@article{arxiv.2003.09540,
title = {Distributed Reinforcement Learning for Cooperative Multi-Robot Object Manipulation},
author = {Guohui Ding and Joewie J. Koh and Kelly Merckaert and Bram Vanderborght and Marco M. Nicotra and Christoffer Heckman and Alessandro Roncone and Lijun Chen},
journal= {arXiv preprint arXiv:2003.09540},
year = {2021}
}
备注
3 pages, 3 figures