Robotics,Machine Learning,Multiagent Systems,Systems and Control,روباتیک , یادگیری ماشین , سیستم های چند منظوره , سیستم ها و کنترل ,
توضیحات
Submitted 14 August, 2024; originally announced August 2024. , Comments: 8 pages, 5 figures, accepted for presentation at the IEEE International Conference on Intelligent Transportation Systems (ITSC) 2024
توضیحات به فارسی
ارسال شده در 14 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 8 صفحه ، 5 شکل ، برای ارائه در کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند (ITSC) 2024 پذیرفته شده است
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
This paper introduces an open-source, decentralized framework named SigmaRL, designed to enhance both sample efficiency and generalization of multi-agent Reinforcement Learning (RL) for motion planning of connected and automated vehicles. Most RL agents exhibit a limited capacity to generalize, often focusing narrowly on specific scenarios, and are usually evaluated in similar or even the same scenarios seen during training. Various methods have been proposed to address these challenges, including experience replay and regularization. However, how observation design in RL affects sample efficiency and generalization remains an under-explored area. We address this gap by proposing five strategies to design information-dense observations, focusing on general features that are applicable to most traffic scenarios. We train our RL agents using these strategies on an intersection and evaluate their generalization through numerical experiments across completely unseen traffic scenarios, including a new intersection, an on-ramp, and a roundabout. Incorporating these information-dense observations reduces training times to under one hour on a single CPU, and the evaluation results reveal that our RL agents can effectively zero-shot generalize. Code: github.com/cas-lab-munich/SigmaRL
چکیده به فارسی (ترجمه ماشینی)
در این مقاله یک چارچوب منبع باز و غیرمتمرکز به نام Sigmarl ، طراحی شده است که برای تقویت هر دو نمونه و تعمیم یادگیری تقویت کننده چند عامل (RL) برای برنامه ریزی حرکت وسایل نقلیه متصل و خودکار طراحی شده است.بیشتر عوامل RL ظرفیت محدودی برای تعمیم دارند ، که اغلب به سناریوهای خاص متمرکز می شوند و معمولاً در سناریوهای مشابه یا حتی یکسان مشاهده می شوند که در طول آموزش مشاهده می شود.روشهای مختلفی برای رفع این چالش ها از جمله پخش مجدد تجربه و تنظیم مجدد ارائه شده است.با این حال ، چگونگی طراحی مشاهده در RL بر کارایی و تعمیم نمونه تأثیر می گذارد ، یک منطقه تحت تأثیر باقی مانده است.ما با پیشنهاد پنج استراتژی برای طراحی مشاهدات متراکم اطلاعات ، با تمرکز بر ویژگی های کلی که در اکثر سناریوهای ترافیک قابل استفاده است ، به این شکاف می پردازیم.ما عوامل RL خود را با استفاده از این استراتژی ها در یک تقاطع آموزش می دهیم و تعمیم آنها را از طریق آزمایش های عددی در سناریوهای ترافیکی کاملاً غیب ، از جمله تقاطع جدید ، یک سطح شیب دار و یک دورگرد ارزیابی می کنیم.ترکیب این مشاهدات متراکم اطلاعات ، زمان آموزش را به کمتر از یک ساعت در یک پردازنده واحد کاهش می دهد ، و نتایج ارزیابی نشان می دهد که عوامل RL ما می توانند به طور موثر صفر را تعمیم دهند.کد: github.com/cas-lab-munich/sigmarl
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
