基于层次化强化学习与低层 MPC 的多智能体控制
系统与控制
2025-10-10 v2 人工智能
机器人学
系统与控制
最优化与控制
摘要
在动态且约束丰富的环境中实现安全且协调的行为，仍是学习型控制面临的主要挑战。纯粹的端到端学习往往 suffer于样本效率差和可靠性有限，而基于模型的方法则依赖预定义参考，难以泛化。我们提出一种层次化框架，将基于强化学习 (RL) 的战术决策与通过模型预测控制 (MPC) 的低层执行相结合。对于多智能体系统而言，高层策略从结构化的兴趣区域 (ROI) 中选择抽象目标，而 MPC 确保运动动态可行且安全。实验在捕食者-猎物基准任务上，本方法在奖励、安全性和一致性方面优于端到端和护盾式 RL 基线，凸显了将结构化学习与模型控制相结合的优势。
引用
@article{arxiv.2509.15799,
title = {Hierarchical Reinforcement Learning with Low-Level MPC for Multi-Agent Control},
author = {Max Studt and Georg Schildbach},
journal= {arXiv preprint arXiv:2509.15799},
year = {2025}
}