지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2024.1
- 수록면
- 11 - 19 (9page)
이용수
초록· 키워드
오류제보하기
멀티에이전트는 전장 교전 상황, 무인 운송 차량 등 다양한 실제 협동 환경에 사용될 수 있다. 전장 교전 상황에서는 도메인 정보의 제한으로 즉각적인 보상(Dense Reward) 설계의 어려움이 있어 명백한 희소 보상(Sparse Reward)으로 학습되는 상황을 고려해야 한다. 본 논문에서는 전장 교전 상황에서의 아군 에이전트 간 협업 가능성을 확인하며, 희소 보상 환경인 Multi-Robot Warehouse Environment(RWARE)를 활용하여 유사한 문제와 평가 기준을 정의하고, 강화학습 라이브러리인 Ray RLlib의 QMIX 알고리즘을 사용하여 학습 환경을 구성한다. 정의한 문제에 대해 QMIX의 Agent Network를 개선하고 Random Network Distillation(RND)을 적용한다. 이를 통해 에이전트의 부분 관측값에 대한 패턴과 시간 특징을 추출하고, 에이전트의 내적 보상(Intrinsic Reward)을 통해 희소 보상 경험 획득 개선이 가능함을 실험을 통해 확인한다.
목차
Abstract
요약
I. Introduction
II. Preliminaries
III. The Proposed Scheme
IV. Experiments
V. Conclusions
REFERENCES
참고문헌 (0)
참고문헌 신청이 논문의 저자 정보
이 논문과 함께 이용한 논문
멀티에이전트 심층강화학습 개요 및 무인기 제어 응용
윤원준
,
정소이
,
김중헌
외 1명
정보과학회지
2020
.12
하이브리드 양자-고전 강화학습 기술동향
박수현
,
김중헌
한국통신학회지(정보와통신)
2024
.03
해상 전장 환경에서의 협력적 멀티 에이전트 강화학습 적용을 위한 시뮬레이터의 설계 및 구현
김경범
,
문수정
,
진우빈
외 1명
한국통신학회논문지
2024
.01
다중목적 보상함수가 개선된 강화학습 기반 NAS
임철순
,
김명선
전자공학회논문지
2022
.11
희소 보상 환경을 위한 계층적 강화학습
김명섭
,
김정수
대한전기학회 학술대회 논문집
2021
.07
최근 본 자료
댓글(0)
0