UW-MARL：基于自主航行器的水下自适应采样多智能体强化学习
系统与控制
2019-11-12 v1 多智能体系统
系统与控制
摘要
在河流、湖泊及不同变量的水库等不确定环境中近实时的水质监测，对保护水生生物及防止水中潜在污染进一步扩散至关重要。为测量感兴趣区域内的物理量，自适应采样作为一种节能且省时的技术很有帮助，因为单台航行器对区域进行穷举搜索不可行。我们提出一种使用多台自主航行器的自适应采样算法，这些航行器作为智能体在Multi-Agent Reinforcement Learning（MARL）框架中经过良好训练，以在自适应采样过程中做出高效的连续决策。所提出的方案使用实验数据评估，这些数据被输入一个仿真框架。实验于2019年7月在新泽西州萨默塞特的拉里坦河和普林斯顿的卡内基湖进行。
引用
@article{arxiv.1911.04096,
title = {UW-MARL: Multi-Agent Reinforcement Learning for Underwater Adaptive Sampling using Autonomous Vehicles},
author = {Mehdi Rahmati and Mohammad Nadeem and Vidyasagar Sadhu and Dario Pompili},
journal= {arXiv preprint arXiv:1911.04096},
year = {2019}
}