任务优先级中介的分层分布式策略：自适应多机器人协作运输的强化学习
机器人学
2024-04-04 v1
摘要
多机器人协作运输在物流、家政和灾难响应中至关重要。然而，在混合有不同重量物体且机器人和物体数量变化的环境中，这带来了重大挑战。本文提出了任务优先级中介的分层分布式策略（TIHDP），这是一个多智能体强化学习（RL）框架，通过分层策略结构应对这些挑战。TIHDP由三层组成：任务分配策略（高层）、动态任务优先级（中间层）和机器人控制策略（低层）。动态任务优先级层可以通过接收全局物体信息并与其他机器人通信来操纵任何待运输物体的优先级，而任务分配和机器人控制策略则受限于局部观测/动作，因此不受物体和机器人数量变化的影响。通过仿真和真实机器人演示，TIHDP展示了学习到的多机器人协作运输即使在机器人和物体数量变化的环境中也有良好的适应性和性能。视频见https://youtu.be/Rmhv5ovj0xM。
引用
@article{arxiv.2404.02362,
title = {Task-priority Intermediated Hierarchical Distributed Policies: Reinforcement Learning of Adaptive Multi-robot Cooperative Transport},
author = {Yusei Naito and Tomohiko Jimbo and Tadashi Odashima and Takamitsu Matsubara},
journal= {arXiv preprint arXiv:2404.02362},
year = {2024}
}
备注
7 pages, 6 figures