Comunicación robusta y eficiente en el aprendizaje por refuerzo multiagente

Área de la Ciencia:

• Inteligencia Artificial
• Robótica
• Aprendizaje Automático

Sus antecedentes:

• El aprendizaje por refuerzo multiagente (MARL) permite comportamientos coordinados de los agentes.
• Los modelos de comunicación MARL existentes a menudo asumen condiciones poco realistas como ancho de banda instantáneo e ilimitado.

Objetivo del estudio:

• Revisar sistemáticamente los avances en la comunicación robusta y eficiente para MARL bajo restricciones realistas.
• Centrarse en aplicaciones prácticas e identificar direcciones futuras de investigación.

Principales métodos:

• Revisión de la literatura reciente sobre estrategias de comunicación MARL.
• Análisis de desafíos que incluyen perturbaciones de mensajes, retrasos en la transmisión y ancho de banda limitado.
• Enfoque en aplicaciones en conducción autónoma cooperativa, SLAM distribuido y aprendizaje federado.

Principales resultados:

• Identificación de los desafíos clave en la confiabilidad de baja latencia, el uso del ancho de banda y las compensaciones de privacidad.
• Exploración de estrategias de comunicación MARL adaptadas para la implementación en el mundo real.
• Síntesis de la investigación actual para cerrar la brecha entre la teoría y la práctica.

Conclusiones:

• Existe la necesidad de codesarrollar la comunicación, el aprendizaje y la robustez en MARL.
• La investigación futura debe centrarse en enfoques unificados para implementaciones prácticas de MARL.
• Abordar las restricciones de comunicación realistas es crucial para avanzar en las aplicaciones de MARL.