Multi-agent Motion Planning for Dense and Dynamic Environments via Deep\n Reinforcement Learning
Notice bibliographique
Résumé
This paper introduces a hybrid algorithm of deep reinforcement learning (RL)\nand Force-based motion planning (FMP) to solve distributed motion planning\nproblem in dense and dynamic environments. Individually, RL and FMP algorithms\neach have their own limitations. FMP is not able to produce time-optimal paths\nand existing RL solutions are not able to produce collision-free paths in dense\nenvironments. Therefore, we first tried improving the performance of recent RL\napproaches by introducing a new reward function that not only eliminates the\nrequirement of a pre supervised learning (SL) step but also decreases the\nchance of collision in crowded environments. That improved things, but there\nwere still a lot of failure cases. So, we developed a hybrid approach to\nleverage the simpler FMP approach in stuck, simple and high-risk cases, and\ncontinue using RL for normal cases in which FMP can't produce optimal path.\nAlso, we extend GA3C-CADRL algorithm to 3D environment. Simulation results show\nthat the proposed algorithm outperforms both deep RL and FMP algorithms and\nproduces up to 50% more successful scenarios than deep RL and up to 75% less\nextra time to reach goal than FMP.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».