Multi Agent Framework for Collective Intelligence Research

本文提出了一个可扩展的分散式多代理框架，通过计算机网络促进计算单元之间的信息交换。该工具所施加的架构界限使其适用于从交换“Hello World”消息的代理到交换位置的虚拟无人机代理，最终代理通过无线电与VU Amsterdam实验室内真实的Crazyflie无人机交换信息的集体智能研究实验。实现了场调制理论，用于构建代理的合成本地感知地图，该地图基于邻近代理的位置和环境所规定的邻近兴趣点构建。通过将实验设置限制为具有离散动作、恒定速度和适合VU Amsterdam实验室的参数的2D环境，运行山地爬升控制器的UAV Crazyflie无人机遵循无碰撞轨迹，缩小了模拟到真实的差距。

本论文旨在提出一种可扩展的分散式多智能体框架，通过计算机网络促进计算单元之间的信息交换。该框架适用于集体智能研究实验，从交换 hello world 消息的代理到虚拟无人机代理交换位置，最终代理通过无线电与真实的 Crazyflie 无人机在 VU Amsterdam 实验室交换信息。论文旨在通过实验验证该框架的可行性。

论文提出了一种基于场调制理论的方法来为代理构建合成的局部感知地图，这些地图是基于邻近代理的位置和环境所要求的邻近兴趣点构建的。通过将实验设置限制为二维环境、离散动作、恒定速度和针对 VU Amsterdam 实验室的参数，UAV Crazyflie 无人机运行爬坡控制器，遵循无碰撞轨迹，实现了模拟到真实的过渡。

本论文的亮点包括：采用了基于场调制理论的方法构建合成的局部感知地图；通过将实验设置限制为二维环境、离散动作、恒定速度和针对 VU Amsterdam 实验室的参数，实现了模拟到真实的过渡；实验设计合理，使用了真实无人机进行验证。论文提出的框架具有可扩展性，并且可以用于集体智能研究实验。

最近在这个领域中，还有一些相关研究，例如：1. Decentralized multi-robot task allocation in dynamic environments using deep reinforcement learning；2. Decentralized multi-agent reinforcement learning with networked agents；3. Distributed reinforcement learning for multi-agent coordination with state-dependent communication。