基于多智能体强化学习的二阶动力学车辆高效区域覆盖
机器人学
2023-10-17 v4 机器学习
多智能体系统
摘要
协作式自主多智能体系统对指定区域进行覆盖具有许多潜在应用，例如无人机搜索与救援、森林灭火以及实时高分辨率监测。此类覆盖问题的传统方法涉及基于传感器数据设计模型控制策略。然而，设计基于模型的控制器具有挑战性，且最先进的经典控制策略仍表现出较大程度的次优性。在本文中，我们提出一种针对具有二阶动力学的多智能体高效区域覆盖问题的强化学习（RL）方法。我们的方法基于多智能体近端策略优化算法（MAPPO）。我们提出的网络架构包含 LSTM 与自注意力的引入，使得训练得到的策略能够适应可变数量的智能体。我们训练得到的策略显著优于最先进的经典控制策略。我们在多种仿真实验中展示了所提出的方法。
引用
@article{arxiv.2211.05952,
title = {Efficient Domain Coverage for Vehicles with Second-Order Dynamics via Multi-Agent Reinforcement Learning},
author = {Xinyu Zhao and Razvan C. Fetecau and Mo Chen},
journal= {arXiv preprint arXiv:2211.05952},
year = {2023}
}
备注
Accepted by IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2023