HMA-SAR : Recherche et sauvetage multi-agent pour des cibles dynamiques inconnues situées dans des environnements totalement inconnus

Les tâches de recherche et sauvetage multi-agent (MASAR), confrontées à des environnements inconnus et aux mouvements imprévisibles de cibles dynamiques inconnues, souffrent d'inefficacités dans les techniques traditionnelles de couverture cartographique qui nécessitent des passages répétés. Pour y remédier, notre étude introduit un nouveau cadre MASAR basé sur l'apprentissage par renforcement multi-agent (MARL), intégrant des éléments innovants tels que la conception de l'état, de la récompense et de la structure du réseau, ainsi qu'un algorithme d'entraînement à curriculum hétérogène et un mécanisme de décision hybride. Ces composants améliorent collectivement la performance dans des environnements dynamiques, améliorent la généralisation du modèle et atténuent des problèmes tels que les récompenses rares et le biais de politique. Dans les simulations de cartes en grille, notre approche, HMA-SAR (Heterogeneous Multi-Agent Search and Rescue Framework), a démontré une supériorité constante par rapport à la méthode traditionnelle basée sur les frontières et d'autres algorithmes MARL, selon des critères tels que le taux de réussite, le nombre d'étapes et le nombre de cibles récupérées. L'applicabilité pratique de notre approche a été validée par des expériences dans Gazebo et dans des scénarios du monde réel. De plus, les tests d'évolutivité dans les cartes en grille ont révélé des améliorations substantielles des taux de réussite et des temps d'achèvement des tâches avec un déploiement accru des agents.