.png){kind=icon}
返回
Reinforcement learning–based task allocation and path-finding in multi-robot systems under environment uncertainty
.png){kind=icon}
OA
AI
DOI：10.1111/mice.13535.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自主机器人能够在环境不确定性条件下显著提升多机器人系统（MRSs）的运行效率。在这些场景下实现稳健性能需要有效的任务分配和自适应路径规划。然而，传统的基于模型的框架通常依赖集中式控制或全局信息，因此在通信间歇或地图不可用时显得不切实际。尽管近期研究表明基于强化学习（RL）的框架能够提升性能，但在不同环境中的同步和适应性相关的问题仍未解决。为解决这些问题，本研究提出了“基于不确定性下任务分配与路径规划的强化学习（RL-TAPU）”框架。该框架整合了用于实时任务分配的动作选择双Q学习（ASDQ）算法和用于自适应路径规划的上下文感知元Q学习（CA-MQL）算法。与以往的基于RL的框架不同，RL-TAPU被设计为无需全局地图，仅使用局部状态信息，且能在间歇和低带宽通信条件下可靠运行。任务分配器仅传递最少信息，而路径规划组件能在无需完整环境数据的情况下适应新环境。实验结果显示，RL-TAPU框架展现出更好的适应性，且相较于竞争方案以更短的总执行时间实现了更高的运行效率。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
9.1
论文数:
2.0K
被引数:
10.0K
机构
引用论文
An arrovian analysis on the multi-robot task allocation problem: Analyzing a behavior-based architecture基于阿罗分析的机器人多任务分配问题：分析基于行为的架构
PREAI
分享收藏Transformer-Based Imitative Reinforcement Learning for Multirobot Path Planning基于Transformer的多机器人路径规划模拟强化学习
PREAI
分享收藏A swarm intelligence graph-based pathfinding algorithm (SIGPA) for multi-objective route planning
PREAI
分享收藏Development of a task-oriented, auction-based task allocation framework for a heterogeneous multirobot system.png)
Sādhanā
SādhanāIF0
PREAI
分享收藏
查看更多内容