Buchumschlag

Superhuman Safe and Agile Racing through Multi-Agent Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Geles, Ismail, Bauersfeld, Leonard, Wulfmeier, Markus, Scaramuzza, Davide
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Robotics Artificial Intelligence Machine Learning Multiagent Systems
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Agile Flight Emerges from Multi-Agent Competitive Racing
von: Pasumarti, Vineet, et al.
Veröffentlicht: (2025)

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)

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

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)

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

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

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)

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

Towards Learning Scalable Agile Dynamic Motion Planning for Robosoccer Teams with Policy Optimization
von: Ho, Brandon, et al.
Veröffentlicht: (2025)

Heterogeneous Multi-Agent Reinforcement Learning for Zero-Shot Scalable Collaboration
von: Guo, Xudong, 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)

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

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

Optimizing Crowd-Aware Multi-Agent Path Finding through Local Communication with Graph Neural Networks
von: Pham, Phu, et al.
Veröffentlicht: (2023)

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)

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

Solving Multi-Agent Safe Optimal Control with Distributed Epigraph Form MARL
von: Zhang, Songyuan, et al.
Veröffentlicht: (2025)

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

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

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

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

Reliable and Efficient Multi-Agent Coordination via Graph Neural Network Variational Autoencoders
von: Meng, Yue, et al.
Veröffentlicht: (2025)

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

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

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

Learning a Stable, Safe, Distributed Feedback Controller for a Heterogeneous Platoon of Autonomous Vehicles
von: Shaham, Michael H., et al.
Veröffentlicht: (2024)

Coordinated Strategies in Realistic Air Combat by Hierarchical Multi-Agent Reinforcement Learning
von: Selmonaj, Ardian, 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)

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

Multi-Agent Deep Q-Network with Layer-based Communication Channel for Autonomous Internal Logistics Vehicle Scheduling in Smart Manufacturing
von: Feizabadi, Mohammad, et al.
Veröffentlicht: (2024)

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