論文の概要: Heterogeneous Policy Networks for Composite Robot Team Communication and Coordination

• arxiv url: http://arxiv.org/abs/2606.20962v1
• Date: Thu, 18 Jun 2026 21:58:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 11:34:24.700257
• Title: Heterogeneous Policy Networks for Composite Robot Team Communication and Coordination
• Title（参考訳）: 複合ロボットチームコミュニケーション・コーディネーションのための不均一なポリシーネットワーク
• Authors: Esmaeil Seraj, Rohan Paleja, Luis Pimentel, Kin Man Lee, Zheyuan Wang, Daniel Martin, Matthew Sklar, John Zhang, Zahi Kakish, Matthew Gombolay,
• Abstract要約: ハイパフォーマンスな人間チームは、知的で効率的なコミュニケーションと調整戦略を学び、共同事業を最大化する。 MARLはこのような協調通信戦略を合成するための計算手法の開発を試みた。 HetNetは、異種多エージェントチームのためのコーディネートとコミュニケーション戦略を学ぶための新しい最先端技術を構築している。
• 参考スコア（独自算出の注目度）: 7.077242655920767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-performing human-human teams learn intelligent and efficient communication and coordination strategies to maximize their joint utility. These teams implicitly understand the different roles of heterogeneous team members and adapt their communication protocols accordingly. Multi-Agent Reinforcement Learning (MARL) has attempted to develop computational methods for synthesizing such joint coordination-communication strategies, but emulating heterogeneous communication patterns across agents with different state, action, and observation spaces has remained a challenge. Without properly modeling agent heterogeneity, as in prior MARL work that leverages homogeneous graph networks, communication becomes less helpful and can even deteriorate the team's performance. In the past, we proposed Heterogeneous Policy Networks (HetNet) to learn efficient and diverse communication models for coordinating cooperative heterogeneous teams. In this extended work, we extend Heterogeneous Policy Networks (HetNet) to support scaling heterogeneous robot teams. Building on heterogeneous graph-attention networks, we show that HetNet not only facilitates learning heterogeneous collaborative policies but also enables end-to-end training for learning highly efficient binarized messaging. Our empirical evaluation shows that HetNet sets a new state of the art in learning coordination and communication strategies for heterogeneous multi-agent teams by achieving an 5.84% to 707.65% performance improvement over the next-best baseline across multiple domains while simultaneously achieving a 200x reduction in the required communication bandwidth.
• Abstract（参考訳）: ハイパフォーマンスな人間チームは、知的で効率的なコミュニケーションと協調戦略を学び、共同事業を最大化する。 これらのチームは、異種チームメンバーの異なる役割を暗黙的に理解し、それに応じてコミュニケーションプロトコルを適用する。 MARL(Multi-Agent Reinforcement Learning)は、このような協調コミュニケーション戦略を合成する計算手法の開発を試みたが、異なる状態、行動、観察空間を持つエージェント間での不均一なコミュニケーションパターンをエミュレートすることは困難である。 エージェントの不均一性を適切にモデル化しなければ、均質なグラフネットワークを利用する以前のMARLの作業のように、コミュニケーションは役に立ちにくくなり、チームのパフォーマンスも悪化する。 これまで我々は,協調的な異種チームをコーディネートするための効率的かつ多様なコミュニケーションモデルを学ぶために,異種政策ネットワーク(HetNet)を提案してきた。 この拡張作業では、異種ロボットチームのスケーリングをサポートするため、異種ポリシーネットワーク(HetNet)を拡張します。 ヘテロジニアスグラフアテンションネットワーク上に構築したHetNetは、ヘテロジニアス協調ポリシーの学習を容易にするだけでなく、高度に効率的なバイナライズされたメッセージ学習のためのエンドツーエンドのトレーニングを可能にする。 実験により,HetNetは複数ドメインにわたる次ベットベースラインに対して5.84%から707.65%の性能向上を達成し,同時に必要な通信帯域幅の200倍の削減を実現して,異種多エージェントチームのための学習協調とコミュニケーション戦略の新たな最先端を図った。

関連論文リスト

• SCALE-COMM: Shared, Contrastively-Aligned Latent Embeddings for MARL Communication [0.0]
  本稿では,コンパクトで安定なコミュニケーション表現を学習するための自己教師型フレームワークを提案する。 学習した通信空間は, 政策微調整による安定性, サンプル効率, スループットの向上を図っている。
  論文  参考訳（メタデータ） (2026-05-26T18:06:19Z)
• CoCoPlan: Adaptive Coordination and Communication for Multi-robot Systems in Dynamic and Unknown Environments [10.496161804810473]
  マルチロボットシステムは協調と協調によって効率を大幅に向上させることができる。 既存のメソッドは、オールタイム接続を維持するか、固定スケジュールに依存するか、ペアワイズプロトコルを採用するかのいずれかである。 協調的なタスク計画とチーム間断続的なコミュニケーションを協調的に最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-15T06:50:21Z)
• Learning to Interact in World Latent for Team Coordination [53.51290193631586]
  本研究は,多エージェント強化学習(MARL)におけるチーム協調を支援するために,対話型ワールドラテント(IWoL)という新しい表現学習フレームワークを提案する。 コミュニケーションプロトコルを直接モデル化することにより,エージェント間関係とタスク固有の世界情報とを協調的にキャプチャする学習可能な表現空間を構築する。 私たちの表現は、各エージェントの暗黙のラテントとしてだけでなく、コミュニケーションのための明示的なメッセージとしても使用できます。
  論文  参考訳（メタデータ） (2025-09-29T22:13:39Z)
• Communication Learning in Multi-Agent Systems from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T05:56:51Z)
• Learning Multi-Agent Communication from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 提案手法であるCommFormerは,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドで並列に洗練する。
  論文  参考訳（メタデータ） (2024-05-14T12:40:25Z)
• Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
  分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。 動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
  論文  参考訳（メタデータ） (2024-03-11T09:21:11Z)
• Curriculum-Driven Multi-Agent Learning and the Role of Implicit Communication in Teamwork [24.92668968807012]
  難解なマルチエージェントコーディネーションタスクを解決するためのカリキュラム駆動型学習戦略を提案する。 我々は、創発的な暗黙のコミュニケーションが、優れた調整レベルを実現する上で大きな役割を果たすと主張している。
  論文  参考訳（メタデータ） (2021-06-21T14:54:07Z)
• The Emergence of Adversarial Communication in Multi-Agent Reinforcement Learning [6.18778092044887]
  多くの現実世界の問題は、複数の自律エージェントの調整を必要とする。 最近の研究は、複雑なマルチエージェント協調を可能にする明示的なコミュニケーション戦略を学ぶためのグラフニューラルネットワーク(GNN)の約束を示している。 一つの利己的なエージェントが高度に操作的なコミュニケーション戦略を学習し、協調的なエージェントチームを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-08-06T12:48:08Z)

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。