编队前进：一种多智能体协同运动的去中心化分层学习方法
机器人学
2020-11-05 v1 多智能体系统
摘要
编队多智能体路径寻找在许多潜在现实应用中存在，如移动仓储机器人。然而，以往的多智能体路径寻找（MAPF）方法几乎未考虑编队。此外，它们通常是集中式规划器且需要环境的整体状态。其他去中心化部分可观测的MAPF方法是强化学习（RL）方法。然而，这些RL方法在同时学习路径寻找与编队问题时遇到困难。本文提出一种新颖的去中心化部分可观测RL算法，其使用分层结构将多目标任务分解为互不相关的子任务。它还计算出一个理论权重，使每个任务奖励对最终RL值函数具有相等影响。此外，我们引入一种通信方法以帮助智能体相互协作。仿真实验表明，我们的方法优于其他端到端RL方法，且我们的方法可自然扩展到集中式规划器难以处理的大世界尺寸。我们还在真实世界场景中部署并验证了我们的方法。
引用
@article{arxiv.2011.02373,
title = {Moving Forward in Formation: A Decentralized Hierarchical Learning Approach to Multi-Agent Moving Together},
author = {Shanqi Liu and Licheng Wen and Jinhao Cui and Xuemeng Yang and Junjie Cao and Yong Liu},
journal= {arXiv preprint arXiv:2011.02373},
year = {2020}
}