面向环境自适应多无人机-无人车协同的能力约束多智能体强化学习
机器人学
2021-06-30 v3 人工智能
摘要
由无人地面车辆（UGVs）与无人 aerial vehicles（UAVs，无人机）组成的空地混合机器人团队，广泛应用于灾害救援、社会治安、精准农业与军事任务。然而，由于机器人具有不同的运动速度、感知范围、可达区域以及对动态环境的适应能力，团队能力及其相应配置存在差异。鉴于团队内部机器人的异构性及其对环境的适应能力，在以合理任务分配与机器人能力最大利用之间取得最优平衡来执行任务颇具挑战。为应对这一挑战以实现有效的空地混合协同，本文提出一种新颖的组队方法——能力感知多智能体深度强化学习（Mix-RL），通过考虑机器人能力、任务需求与环境条件之间的最佳匹配来引导地面与空中协作。Mix-RL 在充分利用机器人能力的同时，感知机器人能力对任务需求与环境条件的适应。Mix-RL 在引导混合组队方面的有效性通过“社会治安中的犯罪嫌疑车辆追踪”任务得到了验证。
引用
@article{arxiv.2002.03910,
title = {Proficiency Constrained Multi-Agent Reinforcement Learning for Environment-Adaptive Multi UAV-UGV Teaming},
author = {Qifei Yu and Zhexin Shen and Yijiang Pang and Rui Liu},
journal= {arXiv preprint arXiv:2002.03910},
year = {2021}
}
备注
five pages