研究人员开发了一种名为价值感知MARO的新方法,以增强在通信不可靠时的多智能体协调能力。该方法通过根据Actor-Critic架构的优势估计动态加权预测器的损失函数,改进了现有的MARO技术。这使得模型能够专注于高回报的动态学习,从而防止在通信丢失严重的情况下性能崩溃。在多智能体粒子环境中的实验表明,价值感知MARO在通信丢失场景下实现了超过20%的平均回报提升,并将性能方差降低了近65%。 AI
影响 增强了多智能体系统在通信间歇的实际场景中的鲁棒性。
排序理由 该集群包含一篇在arXiv上发表的研究论文,详细介绍了一种新的多智能体协调方法。
在 arXiv cs.MA (Multiagent) 阅读 →
- Kemal Devrim Kafadar
- MARO
- Multi-Agent Particle Environment
- Value-Aware MARO
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →