Mar, 2023

数据博弈：群体机器人数据收集的博弈论方法

PDF
TL;DR通过协作抽样策略，自主汽车之间的合作数据收集被视为 $n$ 个玩家数学游戏，该策略能最小化信息用于收敛到具有所有自主汽车完整信息的集中式观测策略，并展示在感知数据集中的表现优于贪心抽样
autonomous vehiclesdata collectionmachine learningcooperative samplinggame theory
发现论文，激发创造
  • 动态游戏中数据驱动的先验融合

    智能机器人在与人类一起使用的情况下，研究了基于数据驱动和优化的博弈论策略结合的动态规划方法，以更有效地进行交互感知运动规划。

    Feb, 2024

  • 自主车辆的去中心化协作感知：学习尊重未知

    本文提出了一种去中心化的协作感知方法，基于 Deep Reinforcement Learning 算法，学习一种反向通讯策略，只请求未知信息，最终实现交通物品的最大化感知和最小化信息交流成本的平衡调整。

    Dec, 2022

  • 自主车辆的分层博弈规划

    本文提出了一种用于自动驾驶的新型博弈理论轨迹规划算法，通过将动态游戏分解为漫长的 “战略” 游戏和短期的 “战术” 游戏，在保证实时性的同时，能够量化自动车辆和人类司机影响彼此的能力和激励，实现更加丰富、安全和有效的自主驾驶行为，并且不依赖于完美理性预测，而是适用于非确定性人类决策的模型。

    Oct, 2018

  • 基于数据驱动的交通仿真：综述

    自主驾驶车辆和数据驱动交通仿真的评估指标的综述与分析，探讨了自主驾驶车辆的性能验证挑战以及未来研究的方向。

    Oct, 2023

  • 一种基于强化学习和凸优化的混合框架用于基于无人机的自主元宇宙数据采集

    本文提出了一种无人机辅助的 Metaverse 网络系统模型，通过资源分配和轨迹控制来提高数据收集效率，采用强化学习和凸优化的混合框架来解决时间依赖性优化问题，仿真结果表明该框架能够在给定传输功率资源下减少任务完成时间。

    May, 2023

  • 学习通信感知协调的机器人群体模拟

    本研究主要探讨了如何应用基于观察专家演示的控制器学习算法，训练出端到端的神经网络，用于解决协作多智能体系统中的分布式控制问题，实验结果表明，使用通信策略可以有效提高分布式模型的性能。

    Feb, 2023

  • 基于深度强化学习的 无人机无线数据采集路径规划

    该论文提出一种新的端到端强化学习方法来规划机载无人机收集物联网中的分布式传感器节点的数据，以实现对下一代通信网络的支持。通过训练一个双重深度 Q 网络来实现对不同情况参数的泛化控制，从而使代理可以根据平衡数据收集目标和飞行时间效率的安全约束，在各种场景参数下做出运动决策。

    Jul, 2020

  • 自动驾驶车辆控制系统验证和确认的司机和车辆相互作用博弈模型

    该论文介绍了一种基于博弈论的交通模型，该模型可以用于测试、比较和校准各种自主车辆决策和控制系统，并提供了一个交通仿真环境来优化自主车辆控制系统的参数。

    Aug, 2016

  • 通过无人机群体进行大规模物联网中的年龄最小化：一种多智能体增强学习方法

    应用多智能体深度强化学习来解决大型物联网场景中的高维问题，通过部署一群无人机 (UAV swarm) 为物联网网络提供覆盖，并最小化信息时效，结果表明合作和部分合作的多智能体深度强化学习方法能够优于复杂度高的集中式深度强化学习方法。

    Sep, 2023

  • 群体系统的引导深度强化学习

    本文研究了如何使用有限的传感能力控制一组合作智能体，使用了基于演员 - 评论家算法的深度强化学习以近似 Q 值函数和策略评估，评估了在寻找和维持距离和定位目标方面的性能。

    Sep, 2017