深層強化学習における部分注意機構を用いた安全なマルチエージェント制御
Partial Attention in Deep Reinforcement Learning for Safe Multi-Agent Control
高速道路の合流シナリオで自動運転車を制御するため、QMIXフレームワークに部分注意機構を導入し、各車両が関連する周辺車両に焦点を当てられるようにした。安全・速度・報酬の面で既存手法より優れた性能を示した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Turki Bin Mohaya, Peter Seiler
分類: eess.SY, cs.MA, cs.RO, cs.SY
原文アブストラクト
Attention mechanisms excel at learning sequential patterns by discriminating data based on relevance and importance. This provides state-of-the-art performance in advanced generative artificial intelligence models. This paper applies this concept of an attention mechanism for multi-agent safe control. We specifically consider the design of a neural network to control autonomous vehicles in a highway merging scenario. The environment is modeled as a Decentralized Partially Observable Markov Decision Process (Dec-POMDP). Within a QMIX framework, we include partial attention for each autonomous vehicle, thus allowing each ego vehicle to focus on the most relevant neighboring vehicles. Moreover, we propose a comprehensive reward signal that considers the global objectives of the environment (e.g., safety and vehicle flow) and the individual interests of each agent. Simulations are conducted in the Simulation of Urban Mobility (SUMO). The results show better performance compared to other driving algorithms in terms of safety, driving speed, and reward.
関連論文
- 動的ゲームにおける一般化ナッシュ均衡のための慣性補正ニュートン法と最適性検証マルチエージェント制御
- オンボード視覚言語モデルを用いたマルチエージェントロボット制御マルチエージェント制御
- トポロジカルギャップ同定と高速化MPCによるマルチエージェント自律レースのロバスト時空間運動計画マルチエージェント制御
- 低レベルMPCを用いた階層型強化学習によるマルチエージェント制御マルチエージェント制御
- 二人プレイヤーの衝突回避インタラクションにおけるナッシュ均衡ハミルトニアンの学習マルチエージェント制御
- 最適制御と強化学習の融合による高制約空間でのマルチビークル衝突解決マルチエージェント制御
