.png){kind=icon}
返回
TMAC: a Transformer-based partially observable multi-agent communication method
.png){kind=icon}
OA
AI
DOI：10.7717/peerj-cs.2758.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
有效沟通在协调多个智能体的行动中发挥着关键作用。在多智能体强化学习领域，智能体能够通过通信渠道相互分享信息，从而提升学习效果并成功达成目标。由于位置布局日益复杂，智能体受到观察范围和通信范围的限制，导致基于通信的多智能体协作难度不断增加。在本文中，针对某些部分可观测场景下的多智能体通信问题，我们提出了一种基于Transformer的部分可观测多智能体通信算法（TMAC），该算法提升了智能体提取特征和生成输出消息的能力。同时，我们提出了一种自消息融合模块，以获取多来源的特征。因此，智能体能够通过通信实现更优协作。与此同时，我们在生存环境及星际争霸多智能体挑战（SMAC）环境中进行了实验验证，这些环境中智能体具有有限的局部观察能力，且只能与邻近智能体通信。在两个测试环境中，我们的方法相较于基线算法，性能分别提升了6%和10%。我们的代码可访问 https://gitee.com/xs-lion/tmac。
Keyword:
Multi-agent reinforcement learning
Communication
Attention mechanism
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
暂无机构信息
引用论文
On Outage-Based Beamforming Design for Dual-Functional Radar-Communication 6G Systems双功能雷达通信6g系统基于中断的波束形成设计OAAI
OAAI分享收藏ACCNet: actor-coordinator-critic net for “learning-to-communicate” with deep multi-agent reinforcement learningACCNet：用于“学习通信”的深度多智能体强化学习中的演员-协调员-评论家网络.png)
OAAI
IF0
OAAI分享收藏
Robotic Locomotion Skill Learning Using Unsupervised Reinforcement Learning With Controllable Latent Space Partition使用具有可控潜在空间分区的无监督强化学习的机器人运动技能学习
PREAI
分享收藏Learning multi-agent coordination through connectivity-driven communicationMACHINE LEARNINGOAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏
查看更多内容