Jun, 2022

AGENT：自适应聚群锁定方法的集群系统

PDF
TL;DR提出了一种分布式算法，利用自动决策，平滑群集和良好分布的包围，使代理机器人的自适应聚集针对多个目标进行围捕。使用改进的人工势场方法，使代理机器人能够自然平滑地适应环境，并保证协同群体代理机器人产生多目标围攻现象。通过模拟实验验证了该方法的性能，并设计了分析这些模拟和物理实验的指标。
distributed algorithmadaptive groupingentrapmentartificial potential field methodswarm agents
发现论文，激发创造
  • 适应不同觅食环境的人工学习智能体群行为发展

    应用投影模拟和强化学习方法研究了人工智能智能体在收集资源过程中不同集体运动模式和个体运动趋势

    Apr, 2020

  • 强化学习的集群学习

    本文从多智能体强化学习的角度研究群体聚集行为，探讨了添加老师和不添加老师两种情况下多智能体学习的效果，并发现其中的极速对齐机制是最优的策略来保持群体的凝聚力。

    Nov, 2019

  • 合作与竞争：进化多智能体强化学习中的群集行为

    本文提出了 Evolutionary Multi-Agent Reinforcement Learning (EMARL) 作为集群任务中的一种混合算法，将合作与竞争相结合并通过 boids 模型对聚群任务的智能体的奖励进行设计。同时，对于竞争，高适应性的智能体被设计为高级别智能体，低适应性的智能体被设计为初级智能体，让初级智能体随机继承高级智能体的参数。

    Sep, 2022

  • 使用 NSGA-II 和主成分分析进行无人机集群优化

    本研究提出了一种在多重冲突目标下，通过 PCA 降维和多目标优化算法 (NSGA-II) 来实现应用于多种真实场景的群体行为控制，以及在控制模型的 12 个参数中进行了比较，优化后的结果被报告并与 CMA-ES 算法作了对比。

    May, 2022

  • 面向异构群集的上下文感知智能控制代理

    我们提出了一种设计上下文感知的群体控制智能代理的方法，通过运用群体统计量和行为库选择合适的参数，增加控制代理的情境感知而不损失计算效率，成功地在单一群体和多样化群体中进行群体管理。

    Nov, 2022

  • 受环境影响的演化群体具有有限感知能力的集体行为出现

    本文研究了机器人群体控制器的设计，并探索了一种进化方法来缓解人类开发者对控制器细节和群体行为之间联系的困难。使用微分进化来发展神经网络控制器，实现机器人遵循环境特征的梯度并解决任务。研究表明，进化所得解决方案在控制较差的情况下具有最大的灵活性，而有一个群体规模的 “甜蜜点”，同时观察到群体的集体运动，展示了真正的新兴行为，这是进化过程中未被代表和选择的。

    Mar, 2022

  • 分散式多智能体主动搜索和追踪：当目标超过智能体数量

    多智能体多目标追踪问题中的去中心化、主动搜索和跟踪以及异步智能体通信的解决方案 DecSTER，在目标数量超过智能体数量的情况下，通过使用概率假设密度滤波器的顺序蒙特卡罗算法进行后验推断，并结合汤普森采样进行智能体的分散决策。通过比较不同的动作选择策略，在模拟中证明了 DecSTER 算法在面对不可靠智能体通信时的鲁棒性，并在不同目标数量和团队规模下优于信息贪婪基准的优化子模式分配 (OSPA) 指标。

    Jan, 2024

  • 使用 NEAT 算法学习机器人群体的新兴行为

    通过进化算法训练分布式机器人群体算法以产生新兴行为，并在不同模式的操纵下进行了模拟实验和评估。

    Sep, 2023

  • 可扩展的基于任务驱动的机器人群控制：碰撞回避和学习的均场控制

    本文提出了一种基于均场控制的智能机器人群体行为设计框架，结合碰撞避免和均场控制学习，通过单智能体分布控制实现多智能体分布控制，实现分布式开环应用并避免碰撞，并在理论和实践上对其进行了有效性验证。

    Sep, 2022

  • 百万智能体强化学习的人工智能种群动态研究

    本文探究了利用深度强化学习机制使智能体集体行为呈现有序模式的过程，并通过仿真大规模掠食者和被掠食者的世界来验证自然规律是否同样适用于人工智能系统中，实验结果表明基于不同自身利益驱动的智能体群体行为呈现出类似于生态学中的 Lotka-Volterra 模型的有序模式，这种集体行为的出现可以由自组织理论解释。

    Sep, 2017