Fugu-MT 論文翻訳(概要): On Multi-Agent Deep Deterministic Policy Gradients and their Explainability for SMARTS Environment

論文の概要: On Multi-Agent Deep Deterministic Policy Gradients and their Explainability for SMARTS Environment

arxiv url: http://arxiv.org/abs/2301.09420v1
Date: Fri, 20 Jan 2023 03:17:16 GMT
ステータス: 処理完了
システム内更新日: 2023-01-24 13:34:04.562617
Title: On Multi-Agent Deep Deterministic Policy Gradients and their Explainability for SMARTS Environment
Title（参考訳）: SMARTS環境における多元的Deep Deterministic Policy Gradientsとその説明可能性について
Authors: Ansh Mittal, Aditya Malte
Abstract要約: MARL(Multi-Agent RL)は、自律走行文学における複雑な問題の1つで、今日の完全自動運転車のリリースを妨げている。いくつかのシミュレーターは、自律運転における複数のエージェントによる複雑なシナリオの問題を軽減するために、その開始後に反復されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multi-Agent RL or MARL is one of the complex problems in Autonomous Driving literature that hampers the release of fully-autonomous vehicles today. Several simulators have been in iteration after their inception to mitigate the problem of complex scenarios with multiple agents in Autonomous Driving. One such simulator--SMARTS, discusses the importance of cooperative multi-agent learning. For this problem, we discuss two approaches--MAPPO and MADDPG, which are based on-policy and off-policy RL approaches. We compare our results with the state-of-the-art results for this challenge and discuss the potential areas of improvement while discussing the explainability of these approaches in conjunction with waypoints in the SMARTS environment.
Abstract（参考訳）: MARL(Multi-Agent RL)は、自律走行文学における複雑な問題の1つで、今日の完全自動運転車のリリースを妨げている。いくつかのシミュレーターは、自律運転における複数のエージェントによる複雑なシナリオの問題を軽減するために、開始後に反復されている。このようなシミュレーター--smartsは、協調型マルチエージェント学習の重要性を論じている。そこで本稿では,政治と政治以外のRLアプローチに基づくMAPPOとMADDPGの2つのアプローチについて論じる。我々は,この課題に対する最新の結果と比較し,スマート環境におけるwaypointsと連携して,これらのアプローチの説明可能性について議論しながら,改善の潜在的領域について論じる。

関連論文リスト

ReST meets ReAct: Self-Improvement for Multi-Step Reasoning LLM Agent [50.508669199496474]
外部知識に基づいて推論と行動を行うReAct-style LLMエージェントを開発した。エージェントをReSTライクな手法で改良し,従来の軌道上で反復的に訓練する。引き起こされた大きなモデルから始まり、アルゴリズムのたった2イテレーションの後に、微調整された小さなモデルを生成することができる。
論文参考訳（メタデータ） (2023-12-15T18:20:15Z)
Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-11-27T18:57:42Z)
Staged Reinforcement Learning for Complex Tasks through Decomposed Environments [4.883558259729863]
RL問題を実問題に近似する2つの方法について議論する。交通ジャンクションシミュレーションの文脈において、複雑なタスクを複数のサブタスクに分解できれば、これらのタスクを最初に解くのが有利であることを示す。多エージェントの観点から、我々は、CTDE(Centralized Training Decentralized Execution)と呼ばれる一般的なパラダイムの下で学んだ経験の活用を活用するトレーニング構造化機構を導入する。
論文参考訳（メタデータ） (2023-11-05T19:43:23Z)
Multi-Agent Deep Reinforcement Learning for Cooperative and Competitive Autonomous Vehicles using AutoDRIVE Ecosystem [1.1893676124374688]
我々は、ニジェールとF1TENTHの物理的に正確でグラフィカルなデジタル双対を開発するために、AutoDRIVE Ecosystemを導入する。まず,複数エージェントの学習環境だけでなく,限られた状態情報を相互に共有する一組の協調車両(Nigel)を用いた交差点問題について検討する。次に、異なる車両群(F1TENTH)を用いて、個別のポリシーアプローチを用いたマルチエージェント学習環境において、対向的なヘッドツーヘッド自律レース問題を調査する。
論文参考訳（メタデータ） (2023-09-18T02:43:59Z)
NeurIPS 2022 Competition: Driving SMARTS [60.948652154552136]
ドライビングSMARTSは、動的相互作用コンテキストにおける分散シフトに起因する問題に対処するために設計された定期的な競争である。提案するコンペティションは,強化学習(RL)やオフライン学習など,方法論的に多様なソリューションをサポートする。
論文参考訳（メタデータ） (2022-11-14T17:10:53Z)
A New Approach to Training Multiple Cooperative Agents for Autonomous Driving [5.1930091960850415]
本稿では,複数のエージェントを学習するための新しいアプローチであるLepusを提案する。 Lepusは、敵のプロセスを通じてポリシーネットワークを事前訓練する。スパース報酬の問題を緩和するために、ルパスは専門家軌跡から近似的な報酬関数を学習する。
論文参考訳（メタデータ） (2022-09-05T22:35:33Z)
From Multi-agent to Multi-robot: A Scalable Training and Evaluation Platform for Multi-robot Reinforcement Learning [12.74238738538799]
マルチエージェント強化学習(MARL)は、過去数十年間、学術や産業から広く注目を集めてきた。これらの手法が実際のシナリオ、特にマルチロボットシステムでどのように機能するかは未だ分かっていない。本稿では,マルチロボット強化学習(MRRL)のためのスケーラブルなエミュレーションプラットフォームSMARTを提案する。
論文参考訳（メタデータ） (2022-06-20T06:36:45Z)
Q-Mixing Network for Multi-Agent Pathfinding in Partially Observable Grid Environments [62.997667081978825]
部分的に観測可能なグリッド環境におけるマルチエージェントナビゲーションの問題点を考察する。エージェントがまず、観察を行動にマッピングする方針を学習し、その目的を達成するためにこれらの方針に従うとき、強化学習アプローチを活用することを提案する。
論文参考訳（メタデータ） (2021-08-13T09:44:47Z)
ERMAS: Becoming Robust to Reward Function Sim-to-Real Gaps in Multi-Agent Simulations [110.72725220033983]
Epsilon-Robust Multi-Agent Simulation (ERMAS)は、このようなマルチエージェントのsim-to-realギャップに対して堅牢なAIポリシーを学ぶためのフレームワークである。 ERMASは、エージェントリスク回避の変化に対して堅牢な税政策を学び、複雑な時間シミュレーションで最大15%社会福祉を改善する。特に、ERMASは、エージェントリスク回避の変化に対して堅牢な税制政策を学び、複雑な時間シミュレーションにおいて、社会福祉を最大15%改善する。
論文参考訳（メタデータ） (2021-06-10T04:32:20Z)
SMARTS: Scalable Multi-Agent Reinforcement Learning Training School for Autonomous Driving [96.50297622371457]
マルチエージェントインタラクションは、現実の世界における自律運転の基本的な側面である。研究と開発が10年以上続いたにもかかわらず、様々なシナリオで多様な道路ユーザーと対話する方法の問題は未解決のままである。 SMARTSと呼ばれる,多種多様な運転インタラクションを生成する専用シミュレーションプラットフォームを開発した。
論文参考訳（メタデータ） (2020-10-19T18:26:10Z)
A Comparative Analysis of Deep Reinforcement Learning-enabled Freeway Decision-making for Automated Vehicles [2.394554182452767]
人工知能の課題に対処するための強力な方法論として、深層強化学習(DRL)が登場している。本稿では高速道路における自律走行車による意思決定問題に対するDRLアプローチについて比較する。これらのDRL対応意思決定戦略の制御性能を評価するために,一連のシミュレーション実験を行った。
論文参考訳（メタデータ） (2020-08-04T03:21:34Z)

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。