.png){kind=icon}
返回
Multi-Objective Dynamic Path Planning with Multi-Agent Deep Reinforcement Learning
.png){kind=icon}
OA
AI
DOI：10.3390/jmse13010020.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多智能体强化学习（MARL）以其简单的结构和强大的适应性为特征，这使其在路径规划领域得到了广泛应用。为解决不确定环境下移动智能体集群的最优路径规划挑战，提出了一种基于多智能体深度强化学习（MADRL）的多目标动态路径规划模型（MODPP）。该模型适用于具有维度爆炸特征的复杂、不稳定任务环境，并具有可扩展性。该方法由两个组成部分构成：动作评估模块和动作决策模块，采用集中式训练与分布式执行（CTDE）的训练架构。在训练过程中，集群内的智能体学习合作策略，同时能够相互通信。因此，它们可以在无通信的情况下穿越任务环境，实现全局优化多个子目标的无碰撞路径，最小化时间、距离以及转弯相关的总成本。此外，在实际任务执行中，作为移动实体的智能体能够进行实时避障。最后，基于OpenAI Gym平台，设计了简单多目标环境和复杂多目标环境等场景，通过最小成本和碰撞风险评估分析多目标动态路径规划的合理性与有效性。此外，还讨论了奖励函数配置对智能体策略的影响。
Keyword:
multi-agent reinforcement learning
multi-objective dynamic path planning
swarm intelligence
期刊
IF:
2.8
论文数:
4.7K
被引数:
2.3W
机构
暂无机构信息
引用论文
An Improved Dyna-Q Algorithm for Mobile Robot Path Planning in Unknown Dynamic Environment未知动态环境下移动机器人路径规划的改进dyna-q算法
PREAI
分享收藏COLREG-Compliant Collision Avoidance for Unmanned Surface Vehicle Using Deep Reinforcement Learning基于深度强化学习的符合COLREG标准的无人水面车辆防撞.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Joint Optimization of Multi-UAV Target Assignment and Path Planning Based on Multi-Agent Reinforcement Learning基于多Agent强化学习的多无人机目标分配与航迹规划联合优化IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Scaling Lifelong Multi-Agent Path Finding to More Realistic Settings: Research Challenges and Opportunities将终身多智能体路径规划扩展到更现实的场景：研究挑战与机遇OAAI
OAAI分享收藏分享收藏
查看更多内容