异构团队任务分配中隐式特质偏好的推断
机器人学
2023-02-22 v1 多智能体系统
摘要
异构多智能体团队中的任务分配常需要对多维智能体特质(即能力)及任务对其提出的需求进行推理。然而,现有方法往往忽略并非所有特质对给定任务的贡献均等这一事实。忽略此类固有偏好或相对重要性可能导致有限的智能体资源被无意地次优分配,而不一定有助于任务成功。此外,对大量特质进行推理会带来沉重的计算负担。为缓解这些问题,我们提出一种从专家示范中推断任务特定特质偏好的算法。我们利用如下洞见:专家在示范中跨演示将某特质分配给某任务的一致性反映了该特质对该任务的重要性。受心理学发现启发,我们考量数据集中某特质的固有多样性会影响数据集的信息量,从而影响所推断偏好的程度或其缺失。通过详尽的数值仿真及对公开足球数据集(FIFA 20)的评估,我们证明能成功推断隐式特质偏好,且相较于将所有特质等同对待的基线方法,考量推断偏好可带来计算更高效且更有效的任务分配。
引用
@article{arxiv.2302.10817,
title = {Inferring Implicit Trait Preferences for Task Allocation in Heterogeneous Teams},
author = {Vivek Mallampati and Harish Ravichandar},
journal= {arXiv preprint arXiv:2302.10817},
year = {2023}
}
备注
8 pages, 5 figures, to be published as extended abstract in AAMAS 2023