多样性自动课程对成功的现实世界多智能体学习系统至关重要
人工智能
2021-02-17 v2 多智能体系统
摘要
多智能体强化学习（MARL）在解决各类视频游戏方面取得了显著成功。这一成功的基石是自动课程框架，其通过持续为智能体创造新的挑战性任务以适应，从而促进新技能的获取。为了将 MARL 方法扩展到视频游戏之外的现实世界领域，我们在本蓝天空论文中设想，维持一个多样性感知的自动课程对成功的 MARL 应用至关重要。具体而言，我们认为行为多样性是现实世界多智能体学习系统中关键但未被充分探索的组成部分，并且在理解如何设计多样性感知自动课程方面仍有大量工作待完成。我们列出了自动课程技术的四个开放挑战，认为它们值得本社区更多关注。为验证我们的愿景，我们推荐将自动驾驶中真实交互行为建模作为重要试验台，并推荐 SMARTS/ULTRA 基准。
引用
@article{arxiv.2102.07659,
title = {Diverse Auto-Curriculum is Critical for Successful Real-World Multiagent Learning Systems},
author = {Yaodong Yang and Jun Luo and Ying Wen and Oliver Slumbers and Daniel Graves and Haitham Bou Ammar and Jun Wang and Matthew E. Taylor},
journal= {arXiv preprint arXiv:2102.07659},
year = {2021}
}
备注
AAMAS 2021