Learning Policies for Dynamic Coalition Formation in Multi-Robot Task Allocation

要約

私たちは、マルチロボットタスク割り当て（MRTA）における動的な連携形成のための、分散型の学習ベースのフレームワークを提案します。
私たちのアプローチは、空間アクション マップ、ロボットの動作制御、タスク割り当ての修正、意図の共有を組み込むことでマルチエージェント近接ポリシー最適化 (MAPPO) を拡張し、効果的な連携形成を可能にします。
広範なシミュレーションにより、私たちのモデルが市場ベースのベースラインを含む既存の手法を大幅に上回ることが実証されました。
さらに、提案されたフレームワークの拡張性と一般化性を評価し、大規模なロボット集団を処理し、多様なタスク割り当て環境に適応する能力を強調します。

要約(オリジナル)

We propose a decentralized, learning-based framework for dynamic coalition formation in Multi-Robot Task Allocation (MRTA). Our approach extends Multi-Agent Proximal Policy Optimization (MAPPO) by incorporating spatial action maps, robot motion control, task allocation revision, and intention sharing to enable effective coalition formation. Extensive simulations demonstrate that our model significantly outperforms existing methods, including a market-based baseline. Furthermore, we assess the scalability and generalizability of the proposed framework, highlighting its ability to handle large robot populations and adapt to diverse task allocation environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google