【标题】DistSPECTRL: Distributing Specifications in Multi-Agent Reinforcement Learning Systems

【作者团队】Joe Eappen, Suresh Jagannathan

【发表日期】2022.6.28

【论文链接】https://arxiv.org/pdf/2206.13754.pdf

【code链接】 https://github.com/yokian/distspectrl

【推荐理由】虽然在为通用网络物理系统指定和学习目标方面取得了显着进展，但将此类方法应用于分布式多智能体系统仍然面临重大挑战。其中包括需要 (a) 制作规范原语，允许局部和全局目标的表达和相互作用，(b) 驯服状态和动作空间中的爆炸以实现有效学习，以及 (c)最小化协调频率和参与全局目标的参与者集。为了应对这些挑战，本文提出了一种新颖的规范框架，该框架允许本地和全局目标的自然组合，用于指导多智能体系统的训练。该技术能够学习表达策略，允许智能体以无协调的方式操作局部目标，同时使用分散的通信协议来执行全局通信协议。实验结果支持本文的想法，即使用规范引导学习可以有效地实现复杂的多智能体分布式规划问题。

内容中包含的图片若涉及版权问题，请及时与我们联系删除