Buchumschlag

Online Action-Stacking Improves Reinforcement Learning Performance for Air Traffic Control

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Carvell, Ben, De Ath, George, Benjamin, Eseoghene, Everson, Richard
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence Multiagent Systems Robotics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Future Capabilities Agent for Tactical Air Traffic Control
von: Kent, Paul, et al.
Veröffentlicht: (2026)

Human-in-the-Loop Testing of AI Agents for Air Traffic Control with a Regulated Assessment Framework
von: Carvell, Ben, et al.
Veröffentlicht: (2026)

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

Controlling Behavioral Diversity in Multi-Agent Reinforcement Learning
von: Bettini, Matteo, et al.
Veröffentlicht: (2024)

When Planners Meet Reality: How Learned, Reactive Traffic Agents Shift nuPlan Benchmarks
von: Hagedorn, Steffen, et al.
Veröffentlicht: (2025)

Heterogeneous Self-Play for Realistic Highway Traffic Simulation
von: Qiu, Jinkai, et al.
Veröffentlicht: (2026)

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

Autonomous Vehicle Patrolling Through Deep Reinforcement Learning: Learning to Communicate and Cooperate
von: Tong, Chenhao, et al.
Veröffentlicht: (2024)

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

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

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

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

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

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

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

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

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

Coordinated Strategies in Realistic Air Combat by Hierarchical Multi-Agent Reinforcement Learning
von: Selmonaj, Ardian, et al.
Veröffentlicht: (2025)

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

Communication-Free Collective Navigation for a Swarm of UAVs via LiDAR-Based Deep Reinforcement Learning
von: Choi, Myong-Yol, et al.
Veröffentlicht: (2026)

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

InteRACT: Transformer Models for Human Intent Prediction Conditioned on Robot Actions
von: Kedia, Kushal, et al.
Veröffentlicht: (2023)

Towards Optimal Performance and Action Consistency Guarantees in Dec-POMDPs with Inconsistent Beliefs and Limited Communication
von: Shimron, Moshe Rafaeli, et al.
Veröffentlicht: (2025)

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

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

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

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

Cooperation and Fairness in Multi-Agent Reinforcement Learning
von: Aloor, Jasmine Jerry, et al.
Veröffentlicht: (2024)

Safety-Critical Traffic Simulation with Guided Latent Diffusion Model
von: Peng, Mingxing, et al.
Veröffentlicht: (2025)

Traffic Flow Optimisation for Lifelong Multi-Agent Path Finding
von: Chen, Zhe, et al.
Veröffentlicht: (2023)

Multi-agent Path Finding for Mixed Autonomy Traffic Coordination
von: Zheng, Han, et al.
Veröffentlicht: (2024)

Evaluating and Improving Graph-based Explanation Methods for Multi-Agent Coordination
von: Kailas, Siva, et al.
Veröffentlicht: (2025)

Multi-Agent Reinforcement Learning for Autonomous Driving: A Survey
von: Zhang, Ruiqi, et al.
Veröffentlicht: (2024)

Surge Routing: Event-informed Multiagent Reinforcement Learning for Autonomous Rideshare
von: Garces, Daniel, et al.
Veröffentlicht: (2023)

Hilbert-Augmented Reinforcement Learning for Scalable Multi-Robot Coverage and Exploration
von: Gurunathan, Tamil Selvan, et al.
Veröffentlicht: (2026)

Communication Strategy on Macro-and-Micro Traffic State in Cooperative Deep Reinforcement Learning for Regional Traffic Signal Control
von: Gu, Hankang, et al.
Veröffentlicht: (2025)

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

Assigning Credit with Partial Reward Decoupling in Multi-Agent Proximal Policy Optimization
von: Kapoor, Aditya, et al.
Veröffentlicht: (2024)

Scalable Hierarchical Reinforcement Learning for Hyper Scale Multi-Robot Task Planning
von: Zhou, Xuan, et al.
Veröffentlicht: (2024)

Schema-Guided Scene-Graph Reasoning based on Multi-Agent Large Language Model System
von: Chen, Yiye, et al.
Veröffentlicht: (2025)