Feb, 2023

AC2C: 自适应控制的双跳通信，用于多智能体强化学习

PDF
TL;DR本研究提出了一种名为 AC2C 的自适应双跳通信协议，以应对多智能体对等协作中限制通信范围和动态通信拓扑的实际通信模型，实验结果表明，AC2C 可以在降低通信成本的同时提升多智能体协作效率。
multi-agent reinforcement learningcommunication strategiesadaptively controlled two-hop communicationlimited communication rangecommunication topology
发现论文，激发创造
  • 多智能体强化学习的上下文感知通信

    开发名为 CACOM 的上下文感知通信协议，通过多个阶段的粗略表示交换和注意机制，为多智能体强化学习提供了个性化的通信方案，采用学习的步长量化技术以减少通信开销，并在合作基准任务上实验结果证明 CACOM 在通信受限场景下提供了明显的性能提升。

    Dec, 2023

  • 多智能体合作与竞争任务中的大规模通信时机学习

    本文提出了 Individualized Controlled Continuous Communication Model (IC3Net)，在多智能体协作、半协作与竞争环境下，通过门控机制控制持续传输，并使用个性化奖励来提高性能和可扩展性，修正学分分配问题。实验结果证实，IC3Net 网络比基准网络在不同场景下具有更好的训练效率和收敛率，智能体基于场景和可盈利性学会如何传输信息。

    Dec, 2018

  • 未來無線網路中的多智能體強化學習中的新興通訊

    该论文阐述了 EC-MARL 在未来 6G 无线网络中的重要性，该方法赋予网络实体自主决策能力，解决自动驾驶、机器人导航、飞行基站网络规划和智能城市应用等复杂任务，提供 EC-MARL 算法的概述、设计准则以及研究机会。

    Sep, 2023

  • ACCNet: 深度多智能体强化学习中用于 “学习通讯” 的演员 - 协调器 - 评论家网络

    本文通过提出 Actor-Coordinator-Critic Net (ACCNet) 框架，结合强化学习和深度学习技术，在多智能体环境下实现更好的学习通信协议能力，并对学习到的协议进行分析和设计探讨。

    Jun, 2017

  • 基于表征通信的大规模交通信号控制的多智能体强化学习

    基于通信的多智能体强化学习（MARL）框架用于大规模交通信号控制，每个智能体学习通信策略以选择消息的发送对象和交换可变长度的消息，实现去中心化和灵活的通信机制，并在网络拥塞和性能方面表现优于相关方法。

    Oct, 2023

  • 多智能体强化学习：实用沟通和控制

    这篇论文提出了一种名为 “Cyber-Physical POMDP” 的模型，将目标导向通信和网络控制相结合，以实现分散的移动机器人的协调，通过联合训练可以显着提高总体性能并可导致通信行动的隐式协调。

    Feb, 2023

  • 可适应辅助多智能体对抗生成的通信抗干扰多智能体学习

    本文提出了一种适应性的多智能体辅助对抗生成方法（Multi-Agent Auxiliary Adversaries Generation for robust Communication，MA3C）以提高多智能体强化学习中通信策略的鲁棒性，其中引入了一种新型的信息攻击方法，并采用进化学习的赋权攻击器种群生成策略，同时训练发出消息的系统和攻击器以提高其适应能力。实验证明，该方法提高了多样性和鲁棒性。

    May, 2023

  • 多智能体强化学习与通信调查

    本文介绍了多个方面可以在设计和开发多智能体强化学习系统中扮演角色的通信，并提出了 Comm-MARL 系统分析、开发和比较的几个维度。

    Mar, 2022

  • 具有新兴通讯的网络多智能体强化学习

    本研究使用紧密联系的智能体通过互相交流离散符号彼此合作完成任务。通过分析他们之间的交流，证明了他们发展的语言与网络拓扑有关，并在交通控制器问题上实现了最先进的性能。

    Apr, 2020

  • 多时间尺度控制和通信与深度强化学习 -- 第一部分：通信感知车辆控制

    一种基于深度强化学习的多时间尺度控制和通信的联合优化框架被提出，以车队控制（PC）为示例应用。为了改善 PC 在随机观察延迟下的性能，采用了细粒度嵌入式模拟 C-V2X 通信生成的延迟环境进行训练，并与基线 DRL 算法的性能进行比较。

    Nov, 2023