面向安全覆盖控制的近最优多智能体学习
机器学习
2022-10-13 v1 人工智能
多智能体系统
机器人学
最优化与控制
摘要
在多智能体覆盖控制问题中，智能体在环境中导航以到达能最大化某种密度覆盖的位置。在实践中，该密度很少能先验已知，这进一步使原本即为 NP-hard 的问题复杂化。此外，在许多应用中，由于先验未知的安全约束，智能体无法访问任意位置。本文旨在高效学习该密度以近似求解覆盖问题，同时保障智能体的安全。我们首先提出一个条件线性子模覆盖函数，以便于理论分析。利用该结构，我们开发了 MacOpt，一种因部分可观测性而有效权衡探索-利用困境的新算法，并证明其达到次线性后悔。接下来，我们将单智能体安全探索的结果推广到我们的多智能体设定，并提出 SafeMac 用于安全覆盖与探索。我们分析 SafeMac 并给出同类首个结果：在有限时间内实现近最优覆盖，同时可证明地保证安全性。我们在合成与真实问题上广泛评估了我们的算法，包括一项安全约束下的生物多样性监测任务，其中 SafeMac 优于对比方法。
引用
@article{arxiv.2210.06380,
title = {Near-Optimal Multi-Agent Learning for Safe Coverage Control},
author = {Manish Prajapat and Matteo Turchetta and Melanie N. Zeilinger and Andreas Krause},
journal= {arXiv preprint arXiv:2210.06380},
year = {2022}
}
备注
Accepted at NeurIPS 2022