MARVEL：用于受限视野大规模环境中多机器人探索的多智能体强化学习
摘要
在多机器人探索中，一个由移动机器人组成的团队被任务高效地映射未知环境。虽然大多数探索规划器假设使用全向传感器如 LiDAR，但这对小型机器人如无人机来说并不实际，由于有效载荷限制，这些机器人可能只能使用轻型、定向传感器如摄像机。这些传感器具有受限视野（field-of-view, FoV），这给探索问题增加了复杂度，要求不仅要优化机器人位置，还要在移动期间调整传感器方向。为此，我们提出了 MARVEL，一种利用图注意力网络，结合 novel 前沿和方向特征融合技术，开发用于具有受限 FoV 机器人的协作、去中心化策略的多智能体强化学习（MARL）框架。为处理视角规划的大规模动作空间，我们进一步引入了 novel 信息驱动的动作修剪策略。MARVEL 在具有挑战性的大规模室内环境中改进了多机器人协调与决策，同时适应各种团队规模和传感器配置（即 FoV 和传感器范围），无需额外训练。我们的广泛评估表明，MARVEL 所学习的策略表现出有效的协作行为，跨越多个指标均优于最先进的探索规划器。我们在大规模环境中（最高达 90m×90m）实验性地展示了 MARVEL 的通用性，并通过在一队真实无人机硬件上的成功部署验证了其实际应用性。
引用
@article{arxiv.2502.20217,
title = {MARVEL: Multi-Agent Reinforcement Learning for constrained field-of-View multi-robot Exploration in Large-scale environments},
author = {Jimmy Chiun and Shizhe Zhang and Yizhuo Wang and Yuhong Cao and Guillaume Sartoretti},
journal= {arXiv preprint arXiv:2502.20217},
year = {2025}
}
备注
\c{opyright} 20XX IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works