.png){kind=icon}
返回
A graph-based safe reinforcement learning method for multi-agent cooperation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2026.108693.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
安全与受限通信是实际多智能体系统（MAS）面临的两大关键挑战。然而，仅依赖奖励塑形的多数多智能体强化学习（MARL）算法在确保安全性方面效果不佳，且由于全连接通信，其适用性相当有限。为解决这些问题，我们提出了一种新型框架——基于图的安全MARL（GS-MARL），用于提升MARL方法的安全性与可扩展性。利用MAS固有的图结构，我们设计了一种基于消息传递的图神经网络（GNN），以聚合不同规模的本体观察与通信。此外，我们在局部观察设置下开发了一种受约束的联合策略优化方法，以提升安全性。仿真实验表明，与其它方法相比，GS-MARL在最优性与安全性之间实现了更优的权衡，且在大型通信受限场景下，其成功率比领先基线至少高出10%。该方法通过 Mecanum轮式车辆的硬件实现也验证了其可行性。代码和演示可访问 https://github.com/finleygou/GS-MARL。
Keyword:
Multi-Agent Reinforcement Learning
Safety
Graph Neural Network
Constrained Optimization
Multi-Agent Systems
期刊
IF:
6.3
论文数:
7.8K
被引数:
3.0W
机构
引用论文
分享收藏Safe Multiagent Learning With Soft Constrained Policy Optimization in Real Robot Control真实机器人控制中具有软约束策略优化的安全多智能体学习
PREAI
分享收藏Multi-UAV autonomous collision avoidance based on PPO-GIC algorithm with CNN-LSTM fusion network基于ppo-gic算法和cnn-lstm融合网络的多无人机自主避碰.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏An overview: Attention mechanisms in multi-agent reinforcement learning综述: 多智能体强化学习中的注意机制NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Safe Learning in Robotics: From Learning-Based Control to Safe Reinforcement Learning机器人技术中的安全学习: 从基于学习的控制到安全的强化学习
OAAI
OAAI分享收藏
查看更多内容