論文の概要: AGENT: An Adaptive Grouping Entrapping Method of Flocking Systems
- arxiv url: http://arxiv.org/abs/2206.14614v1
- Date: Sat, 25 Jun 2022 15:12:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-03 05:17:35.698338
- Title: AGENT: An Adaptive Grouping Entrapping Method of Flocking Systems
- Title(参考訳): エージェント:Flocking Systemの適応型グループエントラッピング手法
- Authors: Chen Wang, Minqiang Gu, Wenxi Kuang, Dongliang Wang, Weicheng Luo,
Zhaohui Shi, Zhun Fan
- Abstract要約: 本研究では,エージェントの適応的グループ化を複数のターゲットに適応させる分散アルゴリズムを提案する。
エージェントは環境情報に基づいて、どのターゲットを囲むべきかを自分で決定する。
提案手法は,Swarmエージェントの協調が,Swarmレベルに侵入する複数のターゲットの現象を発生させることを保証する。
- 参考スコア(独自算出の注目度): 4.922399029219211
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study proposes a distributed algorithm that makes agents' adaptive
grouping entrap multiple targets via automatic decision making, smooth
flocking, and well-distributed entrapping. Agents make their own decisions
about which targets to surround based on environmental information. An improved
artificial potential field method is proposed to enable agents to smoothly and
naturally change the formation to adapt to the environment. The proposed
strategies guarantee that the coordination of swarm agents develops the
phenomenon of multiple targets entrapping at the swarm level. We validate the
performance of the proposed method using simulation experiments and design
indicators for the analysis of these simulation and physical experiments.
- Abstract(参考訳): 本研究は,エージェントの適応的グループ化を,自動意思決定,円滑な群集化,分散エントラッピングを通じて複数ターゲットに展開する分散アルゴリズムを提案する。
エージェントは環境情報に基づいて、どのターゲットを囲むべきかを自分で決定する。
改良された人工電位場法により, 環境に適応するための形成を円滑かつ自然に変化させることができる。
提案手法は,Swarmエージェントの協調が,Swarmレベルに侵入する複数のターゲットの現象を発生させることを保証する。
提案手法の性能をシミュレーション実験と設計指標を用いて検証し,シミュレーションと物理実験の分析を行った。
関連論文リスト
- Adaptive Distribution Masked Autoencoders for Continual Test-Time
Adaptation [49.827306773992376]
連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。
提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
論文 参考訳(メタデータ) (2023-12-19T15:34:52Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-03T07:45:53Z) - Decentralized Adaptive Formation via Consensus-Oriented Multi-Agent
Communication [9.216867817261493]
本稿では,Consensus-based Decentralized Adaptive Formation (Cons-DecAF) フレームワークを提案する。
具体的には、コンセンサス指向のマルチエージェント通信(ConsMAC)という新しいマルチエージェント強化学習手法を開発する。
エージェントの特定の位置を事前に割り当てる代わりに、Hausdorff 距離による変位に基づく生成を用いて、生成効率を著しく向上する。
論文 参考訳(メタデータ) (2023-07-23T10:41:17Z) - Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian
Modeling [68.69431580852535]
サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。
我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。
我々は2つの異なる社会問題に対してアルゴリズムを実行する。
論文 参考訳(メタデータ) (2021-07-07T03:57:22Z) - Model-based Multi-agent Policy Optimization with Adaptive Opponent-wise
Rollouts [52.844741540236285]
マルチエージェント強化学習(MARL)におけるモデルベース手法について検討する。
AORPO(Adaptive Opponent-wise Rollout Policy)と呼ばれる新しい分散型モデルベースのMARL法を提案する。
論文 参考訳(メタデータ) (2021-05-07T16:20:22Z) - Automated Curriculum Learning for Embodied Agents: A Neuroevolutionary
Approach [0.0]
進化的アルゴリズムを,進化的エージェントが評価される環境条件を自動的に選択するカリキュラム学習プロセスで拡張する方法を実証する。
その結果, 提案手法が従来のアルゴリズムより優れ, 変動に頑健な解を生成することを示した。
論文 参考訳(メタデータ) (2021-02-17T16:19:17Z) - Federated Learning under Importance Sampling [49.17137296715029]
本研究は, サンプリングエージェントと非均一に誘導されるデータに対する重要サンプリングと工夫の効果について検討する。
代替のないサンプリングを含むスキームでは,結果のアーキテクチャの性能は,各エージェントのデータ変動性に関連する2つの要因によって制御される。
論文 参考訳(メタデータ) (2020-12-14T10:08:55Z) - Evolutionary Selective Imitation: Interpretable Agents by Imitation
Learning Without a Demonstrator [1.370633147306388]
進化戦略(ES)を介してエージェントを訓練する新しい手法を提案する。
イテレーション毎に、サンプルのサブセットを、これまで発見された最高の軌跡のサンプルに置き換えます。
このセットの評価手順は、教師付き学習を通じて、ランダムに初期化されたニューラルネットワーク(NN)を訓練して、セットを模倣する。
論文 参考訳(メタデータ) (2020-09-17T16:25:31Z) - Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。
深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文 参考訳(メタデータ) (2020-03-19T13:10:20Z) - Learning to Collide: An Adaptive Safety-Critical Scenarios Generating
Method [20.280573307366627]
本稿では,タスクアルゴリズム評価のための安全クリティカルなシナリオを作成するための生成フレームワークを提案する。
提案手法は,グリッド探索や人的設計手法よりも安全クリティカルなシナリオを効率的に生成できることを実証する。
論文 参考訳(メタデータ) (2020-03-02T21:26:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。