基于树状长短期记忆网络的多智能体路径规划
人工智能
2022-12-14 v2 机器学习
多智能体系统
摘要
近年来，多智能体路径规划（MAPF）引起了运筹学（OR）和强化学习（RL）两个领域的关注。然而，在 2021 年 Flatland3 挑战赛（一项关于 MAPF 的竞赛）中，最佳 RL 方法仅得 27.9 分，远低于最佳 OR 方法。本文提出一种针对 Flatland3 挑战赛的新 RL 方案，得分 125.3，是以往最佳 RL 方案的数倍。我们在该方案中创造性地将一种新颖的网络架构 TreeLSTM 应用于 MAPF。结合奖励塑形、多阶段训练和集中控制等其他几种 RL 技术，我们的方案可与排名前 2-3 的 OR 方法相媲美。
引用
@article{arxiv.2210.12933,
title = {Multi-Agent Path Finding via Tree LSTM},
author = {Yuhao Jiang and Kunjie Zhang and Qimai Li and Jiaxin Chen and Xiaolong Zhu},
journal= {arXiv preprint arXiv:2210.12933},
year = {2022}
}
备注
Appear in AAAI23-MAPF