机器人集群协调策略的学习

受生物集群启发，机器人集群被设想用于解决对个体智能体而言困难的现实世界问题。生物集群可以基于局部交互和简单规则实现集体智能；然而，为大规模机器人集群设计有效的分布式策略以实现全局目标可能具有挑战性。尽管对于较少数量的智能体通常可以设计出最优的集中式策略，但随着智能体数量的增加，这些方法可能会失效。受机器学习日益成功的启发，我们开发了一种从集中式策略中学习分布式协调策略的深度学习方法。与通常基于人类为相对简单任务设计的策略的传统分布式控制方法相比，这种基于学习的方法可以适应更困难的任务。我们在两个不同的任务上展示了我们提出方法的有效性：著名的集结问题和更困难的粒子分配问题。对于后者，目前不存在已知的分布式策略。大量仿真表明，学习到的协调策略的性能与集中式策略相当，并超越了 SOTA 分布式策略。因此，我们提出的方法为现实世界中的协调问题提供了一种有前景的替代方案，这些问题若用其他方法解决在计算上可能代价高昂或难以探索。