多智能体强化学习中具语言 grounding 的实体划分器
机器学习
2022-10-26 v1 计算与语言
多智能体系统
摘要
我们研究了利用自然语言驱动多智能体环境中策略的泛化。与单智能体环境不同，策略的泛化还应考虑其他智能体的影响。此外，随着多智能体环境中实体数量的增加，语言grounding需要更多的智能体-实体交互，而巨大的搜索空间可能阻碍学习过程。而且，给定一个简单的通用指令，例如击败所有敌人，智能体需要将其分解为多个子目标并确定应关注的正确子目标。受先前工作启发，我们试图在实体层面解决这些问题，并提出一种用于多智能体强化学习中语言grounding的新框架——实体划分器（EnDi）。EnDi使智能体能够在实体层面独立学习子目标划分，并基于相关实体在环境中行动。子目标划分通过对手建模进行正则化，以避免子目标冲突并促进协调策略。在实证上，EnDi展示了对具有新动态的未见游戏的强大泛化能力，并表现出优于现有方法的优势。
引用
@article{arxiv.2210.13942,
title = {Entity Divider with Language Grounding in Multi-Agent Reinforcement Learning},
author = {Ziluo Ding and Wanpeng Zhang and Junpeng Yue and Xiangjun Wang and Tiejun Huang and Zongqing Lu},
journal= {arXiv preprint arXiv:2210.13942},
year = {2022}
}