文献

J-GLOBAL ID：202202220860604653   整理番号：22A0457667

マルチエージェント経路発見のための選択的通信の学習【JST・京大機械翻訳】

Learning Selective Communication for Multi-Agent Path Finding

著者 (3件)： Ma Ziyuan (School of Computing Science, Simon Fraser University, Burnaby, Canada) ,  Luo Yudong (School of Computer Science, University of Waterloo, Waterloo, Canada) ,  Pan Jia (Department of Computer Science, The University of Hong Kong, Hong Kong, China)
資料名： IEEE Robotics and Automation Letters  (IEEE Robotics and Automation Letters)
巻： 7  号： 2  ページ： 1455-1462  発行年： 2022年 
JST資料番号： W2448A  ISSN： 2377-3766  資料種別： 逐次刊行物 (A)
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： 深層強化学習(RL)または模倣学習(IL)による学習通信は,最近,マルチエージェント経路発見(MAPF)を解決するための有効な方法であることが示されている。しかしながら,既存の通信ベースのMAPFソルバは,エージェントが他のすべてのまたはあらかじめ定義されたエージェントにメッセージを放送する放送通信に焦点を合わせている。それは,非現実的であるだけでなく,マルチエージェント協力を損なうことができる冗長な情報をもたらす。簡潔な通信方式は,どの情報が関連して,各エージェントの意思決定プロセスに影響を与えるかを学ぶべきである。この問題に取り組むために,筆者らは,訓練と実行の両方で通信を行うためのエージェントを選択できるように,エージェントを選択できる単純で効率的なモデルである,要求-反復シナリオを考察し,決定因果通信(DCC)を提案した。特に,隣接は,この近傍の存在が中心エージェントに関する決定調整を引き起こすときのみ,関連および影響として決定される。この判断は,エージェントの局所観察に基づいてのみ学習され,大規模問題を扱う分散実行に適している。障害物リッチ環境における経験的評価は,著者らの方法の低い通信オーバヘッドによる高い成功率を示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  冗長性 ,  放送 ,  *通信 ,  通信方式 ,  *エージェント
準シソーラス用語： ソルバ ,  成功率 ,  通信オーバーヘッド ,  模倣学習 ,  *マルチエージェント ,  経路発見 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  計算機網  (JC03000K)

タイトルに関連する用語 (3件)： マルチエージェント ,  経路発見 ,  学習