Jadwal Sholat

Memuat jadwal sholat…

Editorial Fisika & Matematika

Open AccessOA2023

Multi-Agent Deep Reinforcement Learning untuk Aplikasi Multi-Robot: Sebuah Survei

Survei ini meninjau multi-agent deep reinforcement learning (MADRL) untuk sistem multi-robot, mengategorikan aplikasi, serta membahas tantangan terbuka dan peluang masa depan. Survei ini mengisi celah karena survei terakhir di bidang ini bertanggal 2004, sebelum deep reinforcement learning ada.
James Orr; Ayan Dutta· Italian National Conference on Sensors· 2023· DOI 10.3390/s23073625

Masalah inti

Deep reinforcement learning (DRL) telah mencapai keberhasilan yang menonjol di bidang seperti matematika, permainan, kesehatan, dan robotika. Makalah ini berfokus pada multi-agent deep reinforcement learning (MADRL), di mana beberapa agen dalam lingkungan bersama belajar tidak hanya dari pengalaman mereka sendiri tetapi juga dari satu sama lain. Penulis menekankan aplikasi pada sistem multi-robot, di mana satu robot mungkin tidak cukup untuk menyelesaikan suatu tugas sehingga diperlukan kolaborasi antar beberapa robot menuju tujuan global bersama. Meskipun MADRL penting bagi sistem multi-robot dari perspektif teoretis maupun terapan, survei terbaru di bidang ini bertanggal 2004—saat DRL belum ditemukan. Survei ini bertujuan mengisi celah tersebut dengan meninjau literatur terkini, mengklasifikasikan makalah terutama berdasarkan aplikasi multi-robotnya, membahas tantangan, dan menyarankan aplikasi masa depan yang dapat memperoleh manfaat dari kemajuan MADRL.

Inovasi

Penulis melakukan tinjauan literatur sistematis terhadap MADRL yang diterapkan pada sistem multi-robot. Mereka mengklasifikasikan makalah yang ditinjau terutama berdasarkan aplikasi multi-robotnya. Survei ini mencakup karya yang menggunakan algoritma MADRL—seperti metode berbasis nilai, policy-gradient, dan actor-critic—dalam lingkungan multi-robot. Kerangka klasifikasi mengorganisasi literatur menurut domain aplikasi (misalnya, eksplorasi, transportasi, pengawasan) dan paradigma pembelajaran (misalnya, pelatihan terpusat dengan eksekusi terdesentralisasi). Penulis juga membahas tantangan yang dihadapi penelitian saat ini dan memberikan daftar potensial aplikasi masa depan. Metodologi ini menekankan pentingnya mempertimbangkan dinamika pembelajaran multi-agen, di mana agen belajar dari pengalaman individu maupun bersama, serta kebutuhan akan solusi yang skalabel dan tangguh dalam penerapan multi-robot di dunia nyata.
Pendahuluan
Deep reinforcement learning (DRL) telah mencapai keberhasilan yang menonjol di bidang seperti matematika, permainan, kesehatan, dan robotika. Makalah ini berfokus pada multi-agent deep reinforcement learning (MADRL), di mana beberapa agen dalam lingkungan bersama belajar tidak hanya dari pengalaman mereka sendiri tetapi juga dari satu sama lain. Penulis menekankan aplikasi pada sistem multi-robot, di mana satu robot mungkin tidak cukup untuk menyelesaikan suatu tugas sehingga diperlukan kolaborasi antar beberapa robot menuju tujuan global bersama. Meskipun MADRL penting bagi sistem multi-robot dari perspektif teoretis maupun terapan, survei terbaru di bidang ini bertanggal 2004—saat DRL belum ditemukan. Survei ini bertujuan mengisi celah tersebut dengan meninjau literatur terkini, mengklasifikasikan makalah terutama berdasarkan aplikasi multi-robotnya, membahas tantangan, dan menyarankan aplikasi masa depan yang dapat memperoleh manfaat dari kemajuan MADRL.

Mengapa penting

Penulis membahas beberapa tantangan dalam menerapkan MADRL pada sistem multi-robot:

- **Skalabilitas**: Seiring bertambahnya jumlah robot, ruang aksi bersama tumbuh secara eksponensial sehingga pembelajaran menjadi sulit.
- **Non-stasioneritas**: Kebijakan setiap agen berubah selama pembelajaran, menciptakan lingkungan yang non-stasioner bagi agen lain.
- **Observabilitas parsial**: Robot sering memiliki kemampuan penginderaan terbatas sehingga harus belajar dari informasi yang tidak lengkap.
- **Transfer sim-to-real**: Kebijakan yang dipelajari dalam simulasi mungkin tidak dapat ditransfer dengan baik ke robot nyata akibat kesalahan pemodelan dan noise.
- **Kendala komunikasi**: Bandwidth dan keandalan yang terbatas memengaruhi koordinasi.

Penulis juga memberikan daftar potensial aplikasi masa depan, seperti pemantauan lingkungan, inspeksi infrastruktur, dan gudang otonom. Mereka menekankan perlunya lebih banyak eksperimen dan benchmark di dunia nyata untuk memvalidasi algoritma MADRL. Survei ini menyimpulkan bahwa MADRL memiliki janji besar bagi sistem multi-robot tetapi memerlukan penelitian lebih lanjut untuk mengatasi tantangan yang teridentifikasi.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…