实体
Heterogeneous-Agent Proximal Policy Optimization
Heterogeneous-Agent Proximal Policy Optimization
PulseAugur coverage of Heterogeneous-Agent Proximal Policy Optimization — every cluster mentioning Heterogeneous-Agent Proximal Policy Optimization across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的强化学习方法提高了在恶劣海况下无人机的自主着陆能力
研究人员开发了一种新颖的强化学习方法，称为基于课程的异构对抗强化学习（HARL-AC），以提高四旋翼无人机在挑战性的海上环境中自主着陆的能力。该方法利用异构代理近端策略优化（HAPPO）和对抗性风力代理，并在NVIDIA Isaac Lab中进行训练。HARL-AC系统在模拟条件下表现出色，在分布内场景中成功率高达97.5%，并且在分布外场景，尤其是在恶劣海况下，其表现明显优于传统的域随机化方法。
-
新的MARL框架大幅缩短边缘计算中XR流量延迟
研究人员开发了一种新的多智能体强化学习（MARL）框架，用于改善时间敏感型网络（TSN）环境中的流量调度，特别适用于移动边缘计算（MEC）中的扩展现实（XR）等应用。提出的异构智能体近端策略优化（HAPPO）算法将每个TSN队列建模为一个可以与其他队列协调的独立智能体。该方法旨在解决动态流量条件下静态调度方法的局限性。模拟显示，该MARL框架将平均帧等待时间减少了高达26.8%，最坏情况延迟减少了约16.8%。