モジュール分割型強化学習エージェント群による協調行動の獲得 : 模擬ドッジボールゲームへの適用事例
書誌事項
- タイトル別名
-
- Synthesis of Coordinated Behavior by Modular Reinforcement Learning Agents in Simulated Dodgeball Games
この論文をさがす
抄録
筆者らは, マルチエージェント強化学習において顕著に生ずる問題点のひとつとして各エージェントの状態空間の爆発に焦点をあて, これを回避するための一方策としてモジュール分割型強化学習による接近法を提案し, 追跡問題の種々の変形版への適用を通して, その有効性を実験的に確認してきた.本研究では, 模擬ドッジボールゲームと称するマルチエージェント学習問題に対してモジュール分割型強化学習による接近を試み, エージェント群が創発的に獲得する協調行動を定性的かつ定量的に解析しながら, 本接近法の有効性を示す.
To investigate the potentials and limitations of multi-agent reinforcement learning(RL), many attempts have been reported to let multiple RL agents synthesize coordinated decision policies needed to accomplish their common goals effectively. In this paper, we consider the Simulated Dodgeball Game(SDG) as a multi-agent RL problem. In SDG, multiple attacker agents are required to learn to hit a single dodger agent by a ball. The dodger's behavior is manually-programmed in advance and it dose not change, but it is extremely difficult for the attackers to solely hit the dodger. We implement each attacker agent by modular RL architecture and show how successfully the modular RL attacker agents synthesize coordinated decision policies needed to achieve their common goal.
収録刊行物
-
- 電子情報通信学会技術研究報告. CAS, 回路とシステム
-
電子情報通信学会技術研究報告. CAS, 回路とシステム 98 (370), 43-47, 1998-10-29
一般社団法人電子情報通信学会
- Tweet
キーワード
詳細情報 詳細情報について
-
- CRID
- 1570291227422319232
-
- NII論文ID
- 110003198390
-
- NII書誌ID
- AN10013094
-
- 本文言語コード
- en
-
- データソース種別
-
- CiNii Articles