面向协同装配任务规划的 Stackelberg 博弈学习
机器人学
2024-04-22 v1 计算机科学与博弈论
多智能体系统
摘要
随着装配任务复杂度的增加，多机器人协作对于完成任务变得不可或缺。然而，集中式任务规划已无法适应机器人日益增强的智能化与通用性，以及不断增长的定制化订单。亟需能够协调异构机器人进行协同装配的高效自动化规划机制。为此，我们提出了一种 Stackelberg 博弈学习方法。通过利用 Stackelberg 博弈，我们以领导者-跟随者交互来刻画机器人协作，从而增强策略搜索并确保任务完成。为了提升跨任务的适用性，我们引入了一种新颖的多智能体学习算法：Stackelberg 双重深度 Q 学习，以促进自动化装配策略搜索与多机器人协调。我们的方法通过仿真装配任务进行了验证。与三种替代多智能体学习方法的比较表明，我们的方法实现了最短的任务完成时间。此外，我们的方法对偶然和人为的环境扰动均表现出鲁棒性。
引用
@article{arxiv.2404.12570,
title = {Stackelberg Game-Theoretic Learning for Collaborative Assembly Task Planning},
author = {Yuhan Zhao and Lan Shi and Quanyan Zhu},
journal= {arXiv preprint arXiv:2404.12570},
year = {2024}
}