MQE: Unleashing the Power of Interaction with Multi-agent Quadruped Environment

深度强化学习（DRL）的出现显著推进了机器人领域的发展，尤其是四足机器人的控制和协调。然而，现实世界任务的复杂性往往需要部署能够进行复杂互动和协作的多机器人系统。为了解决这个问题，我们介绍了多智能体四足环境（MQE），这是一个新颖的平台，旨在促进多智能体强化学习（MARL）算法在现实和动态场景中的开发和评估。MQE强调机器人和物体之间的复杂交互、分层策略结构和反映实际应用的具有挑战性的评估场景。我们在MQE中提出了一系列协作和竞争任务，从简单的协调到复杂的对抗性交互，并对最先进的MARL算法进行了基准测试。我们的研究结果表明，分层强化学习可以简化任务学习，但也突出了需要处理多智能体交互复杂动态的先进算法。MQE作为一个跨越仿真和实际部署的垫脚石，为未来多智能体系统和机器人学习的研究提供了丰富的环境。有关MQE的开源代码和更多详细信息，请参见https://ziyanx02.github.io/multiagent-quadruped-environment/。

多智能体强化学习在机器人系统中的应用问题

提出了一个新的多智能体四足机器人环境（MQE），用于测试多智能体强化学习算法在复杂场景下的表现

MQE环境中包含了协作和竞争任务，强调机器人和物体之间的复杂交互，使用了分层强化学习算法简化任务学习，需要更先进的算法来处理复杂的多智能体交互动态，提供了开源代码

最近的相关研究包括“Multi-Agent Reinforcement Learning: A Selective Overview of Theories and Algorithms”和“Multi-Agent Reinforcement Learning: A Review and Open Problems”。