Vol.145 | 基于伙伴建模的分布式多智能体合作分层强化学习 | CS
文章概要：
1. 研究HERO，一种分层强化学习，通过以分层将策略分解为子策略来减少训练时间提高模型性能。br> 2 研究k分散和分层的深度强化学习和一个两层实用方法，显著降低了策略搜索过程中的学习复杂性。
3. 研究提出一个合作伙伴建模网络，对其他智能体的高级宏观动作选择进行建模，以解决分散学习中的非平稳问题。
4. 研究对多车辆合作变道进行了案例研究，并使用提出的方法提出了一个实用的两层决策模型。实验结果说明了方法的有效性和效率。
5讨论了分布式强化学习的未来方向，并鼓励进一步研究现实世界的多智能体合作。
阅读原文
3. 研究提出一个合作伙伴建模网络，对其他智能体的高级宏观动作选择进行建模，以解决分散学习中的非平稳问题。
4. 研究对多车辆合作变道进行了案例研究，并使用提出的方法提出了一个实用的两层决策模型。实验结果说明了方法的有效性和效率。
5讨论了分布式强化学习的未来方向，并鼓励进一步研究现实世界的多智能体合作。
TPAMI 2024 | MO-MIX：基于深度强化学习的多目标多智能体协同决策
文章概要：
1. 文章提出MO-MIX来解决多目标多智能体强化学习（MOMARL问题。
2. 作者介绍多决策的MOMARL问题的正式化。<> 3. 详细介绍了所提出的MO-MIX方法。
4. 实验结果表明，所提出的MO-MIX方法生成了更高质量的非支配集，在所有四种评估指标上都有明显优势。
阅读原文
2. 作者介绍多决策的MOMARL问题的正式化。<> 3. 详细介绍了所提出的MO-MIX方法。
4. 实验结果表明，所提出的MO-MIX方法生成了更高质量的非支配集，在所有四种评估指标上都有明显优势。
[Robotic] 智能磁性微型机器人通过深度强化学习习得游泳能力
文章概要：
1. 文章标题为[Robotic]智能磁性机器人通过深度强化学习习得游泳
2. 这是一篇对论文“Smart Magnetic Micro-rob Learn to with Deep Reinforcement Learning”的精读总结
阅读原文
2. 这是一篇对论文“Smart Magnetic Micro-rob Learn to with Deep Reinforcement Learning”的精读总结