训练时用集中式安全滤波器,部署时拆掉:三机训练的策略零样本扩到二十机,每机算力不变
多智能体强化学习训练时靠集中式控制屏障函数滤波器纠正不安全动作,但该滤波器求解的约束数随队伍规模平方增长,部署时又无法保留。这套方法只用已执行的安全动作做隐式Q学习提取策略,再在合成的近碰撞状态上向训练滤波器学习,使去掉滤波器后的策略仍受约束。局部观测策略在训练场景的测试回合中零碰撞,三机训练的策略零样本迁移到二十机时每机计算量恒定,并在八机以内保持零碰撞。
多智能体强化学习训练时靠集中式控制屏障函数滤波器纠正不安全动作,但该滤波器求解的约束数随队伍规模平方增长,部署时又无法保留。这套方法只用已执行的安全动作做隐式Q学习提取策略,再在合成的近碰撞状态上向训练滤波器学习,使去掉滤波器后的策略仍受约束。局部观测策略在训练场景的测试回合中零碰撞,三机训练的策略零样本迁移到二十机时每机计算量恒定,并在八机以内保持零碰撞。
已读完全部报道