多人人多机器人团队中的初始任务分配：一种注意力增强的分层强化学习方法
机器人学
2023-10-10 v1
摘要
多人人多机器人团队（MH-MR）通过融合各成员独特的优势与专长，在应对复杂大规模任务方面展现出巨大潜力。此类团队固有的异构性要求先进的初始任务分配（ITA）方法，从一开始就使任务与团队成员的固有能力相匹配。尽管现有强化学习方法取得了令人鼓舞的结果，但它们可能难以处理长视野 ITA 问题的细微之处，尤其是在大规模 MH-MR 团队或多面任务的环境中。为弥补这一差距，我们提出一种注意力增强的分层强化学习方法，将复杂的 ITA 问题分解为结构化的子问题，从而促进更高效的分配。为强化子策略学习，我们引入一种分层跨属性注意力（HCA）机制，促使层级中的每个子策略辨识并利用状态空间中对其相应决策阶段至关重要的特定细微特征。通过一个广泛的环境监测案例研究，我们展示了我们的模型及内部 HCA 的优势。
引用
@article{arxiv.2310.04979,
title = {Initial Task Assignment in Multi-Human Multi-Robot Teams: An Attention-enhanced Hierarchical Reinforcement Learning Approach},
author = {Ruiqi Wang and Dezhong Zhao and Arjun Gupte and Byung-Cheol Min},
journal= {arXiv preprint arXiv:2310.04979},
year = {2023}
}