Jul, 2024
使用Petri网作为强化学习任务的集成约束机制
Using Petri Nets as an Integrated Constraint Mechanism for Reinforcement
Learning Tasks
TL;DR在真实世界的领域，如生产工厂、自动驾驶车辆或交通基础设施中使用强化学习 (RL) 控制代理时，算法的不可信通常是一个问题，部分原因是模型本身的可验证性不足。为了促进 RL 模型的整合并增强人工智能的可信度，我们提出了一种使用 Petri 网 (PNs) 的方法，相比传统的 RL 方法，具有三个主要优势：首先，代理现在可以用一个合并的状态来建模，包括来自给定 PNs 的外部环境观测和代理特定状态信息；其次，我们可以通过内在的 PN 模型对状态相关动作进行约束；最后，我们可以通过模型检验等技术验证 PN 属性，进一步增加可信度。我们在典型的四路交叉口红绿灯控制设置上测试了我们的方法，并呈现了结果，超过了基于周期的基准。