Nov, 2022

量子多机器人强化学习的软件模拟与可视化

PDF
TL;DR本文介绍了一种新型的基于量子机器学习的自主多无人机控制框架 - 量子多无人机强化学习框架，并在该框架下经过充分的训练和分析，实现了合理的回报收敛和服务质量表现，具有更稳定的训练结果及优秀的训练过程分析功能。
quantum machine learningquantum multi-agent reinforcement learningautonomous dronessimulation software frameworkreward convergence
发现论文，激发创造
  • 量子多智能体强化学习与自主移动协作

    基于量子供应链，并结合多智能体强化学习和量子优势，提出了一种能够实现多智能体合作、有效利用参数和快速收敛的量子 MARL 算法，并引入了投影值测量技术来进一步提高可伸缩性。

    Aug, 2023

  • 量子多智能体元强化学习

    本文提出 QM2ARL，利用量子神经网络的两个不同维度的参数来重新设计 MARL，实现了元学习和记忆地址功能，并通过模拟验证了其在高回报和快速收敛方面的有效性。

    Aug, 2022

  • 从多智能体到多机器人：一款可扩展的多机器人强化学习训练和评估平台

    本文介绍了一个用于多机器人强化学习的可扩展仿真平台 SMART，该平台包含了一个仿真环境和一个真实的多机器人系统，以提供多样化的交互场景进行训练，并支持基于插件的算法实现。在此基础上，我们研究了合作驾驶变道场景所涉及到的若干具有挑战性的问题，并开源我们的仿真环境及其相关基准测试任务和最先进的基线模型，以推动和强化多机器人强化学习的研究。

    Jun, 2022

  • 基于模型辅助的联邦强化学习在物联网多无人机轨迹规划中的应用

    本文提出了一种新的基于模型的联邦多智能体强化学习算法，用于协调多个无人机在数据收集任务中，以解决传统多智能体强化学习算法需要大量真实训练数据的问题，并在各个方面取得了良好的表现。

    Jun, 2023

  • 基于协作分布式强化学习的无人机场地覆盖

    本文提出了一种分布式的多智能体强化学习算法，可用于团队的无人机，通过使用协调均衡博弈解决动态联合行动的复杂问题，以及利用高效的函数逼近技术解决大量的状态空间表示挑战，通过仿真和实际实现验证了该无人机团队成功学习完成任务。

    Mar, 2018

  • eQMARL: 量子通道上分布式协作的纠缠量子多智能体强化学习

    提出了一种名为 eQMARL 的新型框架，通过量子通道促进协作，并通过量子纠缠的分裂评论家消除本地观察共享，实验结果表明，eQMARL 相较于传统的分裂和完全中心化的经典和量子基线，能够在更短的时间内收敛到合作策略，且拥有更高的整体分数，与传统的分裂经典基线相比，eQMARL 只需要少于 25 倍的中心化参数。

    May, 2024

  • 量子深度循环强化学习

    本文介绍了使用量子循环神经网络和深度 Q-learning 算法来解决部分可观察环境中的量子强化学习问题，并且在数值模拟中证明了该方法在标准基准测试如 Cart-Pole 中的结果比经典 DRQN 更加稳定和具有更高的平均分数。

    Oct, 2022

  • 量子强化学习的异步训练

    本文提出了一种采用异步训练 QRL 代理的方法，具体选择了优势演员评论家变分量子策略的异步训练，并通过数值模拟证明，相对于采用相似模型大小和架构的经典代理，采用异步训练 QRL 代理在考虑的任务中可以达到相似或更高的性能

    Jan, 2023

  • 量子计算中强化学习的挑战

    该研究论文介绍了量子计算在当前 NISQ 时代的限制，并提出了通过混合量子机器学习来改善量子计算架构的方法，重点是利用强化学习来优化当前的量子计算方法，并介绍了由量子架构搜索和量子电路优化引起的各种挑战，以及提出的用于学习控制一组万能量子门的具体框架，并提供基准结果以评估当前最先进算法的优点和短处。

    Dec, 2023

  • 量子强化学习

    本文提出了一种新颖的量子强化学习算法，通过将量子理论和强化学习相结合，引入了价值更新算法框架，通过概率幅度并行更新以达到在探索和利用之间取得良好平衡，并加速学习。经实验验证，该方法在一些复杂问题中表现出优越性和实用性，是量子计算在人工智能应用方面的有效探索。

    Oct, 2008