แนวคิดหลัก
Ein neuartiger Ansatz zur Lösung des Multi-Agenten-Pfadsuche-Problems in überfüllten Umgebungen, der eine effiziente lokale Kommunikation zwischen Agenten über Graphen-Neuronale-Netze ermöglicht und eine menschenmengen-bewusste Belohnungsfunktion verwendet.
บทคัดย่อ
Der Artikel präsentiert einen neuen Ansatz namens CRAMP zur Lösung des Multi-Agenten-Pfadsuche-Problems in überfüllten Umgebungen.
Zentrale Aspekte des Ansatzes sind:
- Verwendung von Graphen-Neuronalen-Netzen (GNNs) zur Ermöglichung effizienter lokaler Kommunikation zwischen Agenten
- Einführung einer menschenmengen-bewussten Belohnungsfunktion, die Agenten dazu anregt, überfüllte Bereiche zu meiden
- Einsatz eines Curriculum-basierten Trainingsansatzes, um die Agenten schrittweise an komplexere Szenarien heranzuführen
Die Autoren zeigen in umfangreichen Experimenten, dass CRAMP die Leistung bisheriger dezentraler Methoden in Bezug auf Erfolgsquote, Lösungsqualität und Kollisionsvermeidung deutlich übertrifft. Insbesondere in sehr dichten Umgebungen mit 32 oder 64 Agenten erzielt CRAMP signifikant bessere Ergebnisse als andere Verfahren.
สถิติ
Die Erfolgsquote von CRAMP beträgt in Umgebungen mit 32 Agenten und einer Hindernisdichte von 0,3 18%, während andere Methoden vollständig versagen.
In Umgebungen mit 64 Agenten und einer Dichte von 0,2 verkürzt CRAMP den Makespan (die benötigte Zeit bis alle Agenten ihr Ziel erreichen) um bis zu 35% im Vergleich zu anderen Ansätzen.
CRAMP reduziert die Kollisionszahl in dichten Umgebungen mit 16 Agenten und einer Dichte von 0,3 um bis zu 59% im Vergleich zu anderen Methoden.
คำพูด
"CRAMP ist speziell darauf ausgelegt, intelligente Agenten auszubilden, die in dichten und dynamischen Umgebungen effizient navigieren können."
"Unser innovativer menschenmengen-bewusster Ansatz für die Multi-Agenten-Pfadsuche übertrifft die Leistung bestehender Methoden deutlich."