文献

J-GLOBAL ID：201702238205454841   整理番号：17A1271203

深部強化学習を用いた分散非交通マルチエージェント衝突回避【Powered by NICT】

Decentralized non-communicating multiagent collision avoidance with deep reinforcement learning

著者 (4件)： Chen Yu Fan (Laboratory of Information and Decision Systems, Massachusetts Institute of Technology, 77 Massachusetts Ave., Cambridge, MA, USA) ,  Liu Miao (IBM Thomas J. Watson Research Center, Yorktown Heights, NY 10598, USA) ,  Everett Michael (Laboratory of Information and Decision Systems, Massachusetts Institute of Technology, 77 Massachusetts Ave., Cambridge, MA, USA) ,  How Jonathan P. (Laboratory of Information and Decision Systems, Massachusetts Institute of Technology, 77 Massachusetts Ave., Cambridge, MA, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICRA  ページ： 285-292  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： マルチエージェントシステムのための実現可能で,衝突のない経路を発見挑戦的である,特に非交通シナリオで各エージェントの意図(例えば目標)は他に観測できない。特に,発見時間効率の良い経路はしばしば近傍エージェントとの相互作用予測,そのプロセスは計算不能に陥る事を必要とする。深部強化学習の新しい応用に基づく分散マルチエージェント衝突回避アルゴリズム,オフライン学習手順にオンライン計算(相互作用パターンを予測するための)の負荷を減少させる効果的にを紹介した。具体的には,提案した方法は,その近傍を持つエージェントの継手形状(位置および速度)を与えられた目標と推定時間をコードする価値ネットワークを開発した。価値ネットワークの使用は衝突回避速度ベクトルを見つけるための効率的な(すなわち,リアルタイム実行可能な)質問を許容するだけでなく,他のエージェントの運動における不確実性を考慮した。シミュレーション結果は,最適逆衝突回避(ORCA),最新の衝突回避戦略と比較した場合,経路品質(すなわち,目標に到達する時間)の26%以上の改善を示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *学習 ,  予測 ,  *深部 ,  マルチエージェントシステム ,  実時間処理 ,  *強化学習 ,  *エージェント ,  不確実性 ,  アルゴリズム ,  *衝突回避 ,  ネットワーク ,  相互作用 ,  シミュレーション
準シソーラス用語： オンライン ,  *マルチエージェント , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 深部 ,  強化学習 ,  交通 ,  マルチエージェント ,  衝突回避