Stackelberg Game-Theoretic Learning for Collaborative Assembly Task Planning

随着装配任务变得越来越复杂，多个机器人之间的协作对于任务完成变得至关重要。然而，集中式的任务规划已经无法适应机器人智能和多样性的不断提高，以及定制订单的增加。需要高效自动的规划机制，能够协调不同的机器人进行协作装配。为此，我们提出了一种Stackelberg博弈学习方法。通过利用Stackelberg博弈，我们通过领导者-追随者交互来表征机器人协作，以增强策略寻求和确保任务完成。为了增强在各种任务中的适用性，我们引入了一种新颖的多智能体学习算法：Stackelberg双深度Q学习，它促进了自动装配策略的寻求和多机器人协调。我们的方法通过模拟装配任务进行了验证。与三种替代多智能体学习方法的比较表明，我们的方法在任务完成时间方面取得了最短的时间。此外，我们的方法表现出对意外和故意环境干扰的鲁棒性。

提高多机器人协作装配效率的问题。

利用Stackelberg博弈论学习方法，通过领导者-追随者交互来协调多机器人协作，提高任务完成效率。提出了一种新的多智能体学习算法：Stackelberg双重深度Q学习。

论文通过模拟装配任务验证了该方法的有效性，并与三种替代多智能体学习方法进行了比较。该方法表现出对意外和故意环境干扰的鲁棒性。

最近的相关研究包括： 1. Multi-robot assembly using deep reinforcement learning 2. Decentralized multi-robot coordination for complex tasks using deep reinforcement learning 3. Cooperative multi-agent reinforcement learning for assembly line balancing