面向人-智能体团队的可解释学习型涌现通信

学习可解释通信对于多智能体与人-智能体团队（HATs）至关重要。在部分可观测环境的多智能体强化学习中，智能体可通过学习型通信向其他智能体传递信息，使团队完成任务。受人类语言启发，近期研究探讨离散（仅使用有限词符集）与稀疏（仅在某些时间步通信）通信。然而，此类通信在人-智能体团队实验中的效用尚未得到研究。本文中，我们分析稀疏-离散方法在产生涌现通信方面的效能，该通信可实现高智能体-only及人-智能体团队性能。我们开发仅由智能体组成的团队，通过我们的Enforcers方案进行稀疏通信，该方案将通信充分约束于任意预算内。结果表明，在基准环境与任务中性能无损失或仅有极小损失。在基准环境中测试的人-智能体团队（其中智能体由Enforcers建模）中，我们发现基于原型的方法产生有意义的离散词符，使人类伙伴比one-hot基线更快更好地学习智能体通信。额外HAT实验表明，适当的稀疏水平降低了人类与智能体团队通信时的认知负荷，并带来更优的团队性能。