Key points are not available for this paper at this time.
Cet article explore l'utilisation de la robotique et de l'apprentissage par renforcement multi-agents décentralisé (MARL) pour la navigation côte à côte dans les fauteuils roulants intelligents (IW). Évoluant d'une approche de travail précédente utilisant des méthodologies à agent unique traditionnel, il adopte un algorithme de gradient de politique déterministe profond multi-agent (MADDPG) pour fournir des entrées de contrôle et permettre à une paire de IW d'être déployée en tant qu'agents informatiques décentralisés dans des environnements réels, se passant de la nécessité de compter sur la communication entre eux. Dans cette étude, le simulateur 2D Flatland, en conjonction avec le système d'exploitation Robot (ROS), est utilisé comme un environnement réaliste pour former et tester l'algorithme de navigation. Une révision de la fonction de récompense est introduite, qui maintenant fournit des récompenses individuelles pour chaque agent et des incitations de récompense révisées. De plus, la logique pour identifier la navigation côte à côte a été améliorée, afin d'encourager le contrôle d'alignement dynamique. Les résultats préliminaires soulignent une direction de recherche prometteuse, avec les IW apprenant à naviguer dans divers scénarios de test réalistes dans des couloirs. Le résultat suggère également que bien que l'approche MADDPG présente un potentiel par rapport aux techniques à agent unique pour l'application de la robotique IW décentralisée, des investigations supplémentaires sont nécessaires pour un déploiement dans le monde réel.
Fonseca et al. (Thu,) ont étudié cette question.