基于多智能体强化学习的相对分布式编队与避障
系统与控制
2021-11-16 v1 人工智能
机器学习
多智能体系统
机器人学
系统与控制
摘要
多智能体编队与避障是多智能体系统领域中研究最为活跃的话题之一。尽管模型预测控制（MPC）和模糊控制等一些经典控制器取得了一定程度的成功，但它们大多需要精确全局信息，而在恶劣环境中无法获取。另一方面，一些基于强化学习（RL）的方法采用领导者-跟随者结构来组织不同智能体的行为，这牺牲了智能体间的协作，从而在机动性与鲁棒性上遭遇瓶颈。本文提出一种基于多智能体强化学习（MARL）的分布式编队与避障方法。我们系统中的智能体仅利用局部与相对信息进行决策，并以分布式方式自主控制。多智能体系统中若有任一智能体失联，其余智能体将快速重组为新拓扑。相较于基线（经典控制方法与另一种基于 RL 的方法），我们的方法在编队误差、编队收敛率方面表现更优，且避障成功率相当。我们通过阿克曼转向车辆的仿真与硬件实现验证了方法的可行性。
引用
@article{arxiv.2111.07334,
title = {Relative Distributed Formation and Obstacle Avoidance with Multi-agent Reinforcement Learning},
author = {Yuzi Yan and Xiaoxiang Li and Xinyou Qiu and Jiantao Qiu and Jian Wang and Yu Wang and Yuan Shen},
journal= {arXiv preprint arXiv:2111.07334},
year = {2021}
}