Buchumschlag

Controlling Behavioral Diversity in Multi-Agent Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bettini, Matteo, Kortvelesy, Ryan, Prorok, Amanda
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Multiagent Systems Artificial Intelligence Machine Learning Robotics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

System Neural Diversity: Measuring Behavioral Heterogeneity in Multi-Agent Learning
von: Bettini, Matteo, et al.
Veröffentlicht: (2023)

The impact of behavioral diversity in multi-agent reinforcement learning
von: Bettini, Matteo, et al.
Veröffentlicht: (2024)

When Is Diversity Rewarded in Cooperative Multi-Agent Learning?
von: Amir, Michael, et al.
Veröffentlicht: (2025)

BenchMARL: Benchmarking Multi-Agent Reinforcement Learning
von: Bettini, Matteo, et al.
Veröffentlicht: (2023)

Graph Attention-Guided Search for Dense Multi-Agent Pathfinding
von: Jain, Rishabh, et al.
Veröffentlicht: (2025)

ReCoDe: Reinforcement Learning-based Dynamic Constraint Design for Multi-Agent Coordination
von: Amir, Michael, et al.
Veröffentlicht: (2025)

Events as Triggers for Behavioral Diversity in Multi-Agent Reinforcement Learning
von: Büchi, Hannes, et al.
Veröffentlicht: (2026)

Generalising Multi-Agent Cooperation through Task-Agnostic Communication
von: Jayalath, Dulhan, et al.
Veröffentlicht: (2024)

Co-Optimizing Reconfigurable Environments and Policies for Decentralized Multi-Agent Navigation
von: Gao, Zhan, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning for Multi-Agent Coordination
von: Aina, Kehinde O., et al.
Veröffentlicht: (2025)

Redistributing Rewards Across Time and Agents for Multi-Agent Reinforcement Learning
von: Kapoor, Aditya, et al.
Veröffentlicht: (2025)

Cross-Modal Navigation with Multi-Agent Reinforcement Learning
von: Liu, Shuo, et al.
Veröffentlicht: (2026)

Selectively Sharing Experiences Improves Multi-Agent Reinforcement Learning
von: Gerstgrasser, Matthias, et al.
Veröffentlicht: (2023)

ESP: Exploiting Symmetry Prior for Multi-Agent Reinforcement Learning
von: Yu, Xin, et al.
Veröffentlicht: (2023)

Scaling Multi-Agent Environment Co-Design with Diffusion Models
von: Li, Hao Xiang, et al.
Veröffentlicht: (2025)

Superhuman Safe and Agile Racing through Multi-Agent Reinforcement Learning
von: Geles, Ismail, et al.
Veröffentlicht: (2026)

Multi-Agent Inverse Reinforcement Learning in Real World Unstructured Pedestrian Crowds
von: Chandra, Rohan, et al.
Veröffentlicht: (2024)

Enhancing Aerial Combat Tactics through Hierarchical Multi-Agent Reinforcement Learning
von: Selmonaj, Ardian, et al.
Veröffentlicht: (2025)

MARFT: Multi-Agent Reinforcement Fine-Tuning
von: Liao, Junwei, et al.
Veröffentlicht: (2025)

Innate-Values-driven Reinforcement Learning based Cooperative Multi-Agent Cognitive Modeling
von: Yang, Qin
Veröffentlicht: (2024)

Scalable Multi-Agent Reinforcement Learning for Warehouse Logistics with Robotic and Human Co-Workers
von: Krnjaic, Aleksandar, et al.
Veröffentlicht: (2022)

Human Implicit Preference-Based Policy Fine-tuning for Multi-Agent Reinforcement Learning in USV Swarm
von: Kim, Hyeonjun, et al.
Veröffentlicht: (2025)

Heterogeneous Multi-Agent Reinforcement Learning for Zero-Shot Scalable Collaboration
von: Guo, Xudong, et al.
Veröffentlicht: (2024)

Pairwise is Not Enough: Hypergraph Neural Networks for Multi-Agent Pathfinding
von: Jain, Rishabh, et al.
Veröffentlicht: (2026)

The Cambridge RoboMaster: An Agile Multi-Robot Research Platform
von: Blumenkamp, Jan, et al.
Veröffentlicht: (2024)

Symmetries-enhanced Multi-Agent Reinforcement Learning
von: Bousias, Nikolaos, et al.
Veröffentlicht: (2025)

Learning Team-Based Navigation: A Review of Deep Reinforcement Learning Techniques for Multi-Agent Pathfinding
von: Chung, Jaehoon, et al.
Veröffentlicht: (2023)

Multi-Agent Inverse Q-Learning from Demonstrations
von: Haynam, Nathaniel, et al.
Veröffentlicht: (2025)

Low-Rank Agent-Specific Adaptation (LoRASA) for Multi-Agent Policy Learning
von: Zhang, Beining, et al.
Veröffentlicht: (2025)

TorchDriveEnv: A Reinforcement Learning Benchmark for Autonomous Driving with Reactive, Realistic, and Diverse Non-Playable Characters
von: Lavington, Jonathan Wilder, et al.
Veröffentlicht: (2024)

Online Action-Stacking Improves Reinforcement Learning Performance for Air Traffic Control
von: Carvell, Ben, et al.
Veröffentlicht: (2026)

Learning Multi-Agent Loco-Manipulation for Long-Horizon Quadrupedal Pushing
von: Feng, Yuming, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Controlled Differential Equations for Scalable Long Horizon Multi-Agent Motion Forecasting
von: Sural, Shounak, et al.
Veröffentlicht: (2025)

LLM-based Multi-Agent Reinforcement Learning: Current and Future Directions
von: Sun, Chuanneng, et al.
Veröffentlicht: (2024)

HiMAP: Learning Heuristics-Informed Policies for Large-Scale Multi-Agent Pathfinding
von: Tang, Huijie, et al.
Veröffentlicht: (2024)

MFC-EQ: Mean-Field Control with Envelope Q-Learning for Moving Decentralized Agents in Formation
von: Lin, Qiushi, et al.
Veröffentlicht: (2024)

Deploying Ten Thousand Robots: Scalable Imitation Learning for Lifelong Multi-Agent Path Finding
von: Jiang, He, et al.
Veröffentlicht: (2024)

World-Task Factorization for Robot Learning
von: Sebastián, Eduardo, et al.
Veröffentlicht: (2026)

Sequence Pathfinder for Multi-Agent Pickup and Delivery in the Warehouse
von: Zhao, Zeyuan, et al.
Veröffentlicht: (2025)

Multi-residual Mixture of Experts Learning for Cooperative Control in Multi-vehicle Systems
von: Jayawardana, Vindula, et al.
Veröffentlicht: (2025)