UW-MARL: Multi-Agent Reinforcement Learning for Underwater Adaptive Sampling using Autonomous Vehicles
UW-MARL: Multi-Agent Reinforcement Learning for Underwater Adaptive Sampling using Autonomous Vehicles
复制标题
UW-MARL：使用自动驾驶车辆进行水下自适应采样的多智能体强化学习
DOI：
10.1145/3366486.3366533
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Pompili, Dario
中科院分区：
文献类型：
--
作者：
Rahmati, Mehdi;Nadeem, Mohammad;Sadhu, Vidyasagar;Pompili, Dario
在不同变量的河流、湖泊和水库等不确定环境中进行近实时水质监测，对于保护水生生物和防止水中潜在污染的进一步传播至关重要。为了测量感兴趣区域的物理值，自适应采样作为一种能源和时间效率高的技术是有帮助的，因为用一辆车对一个区域进行彻底搜索是不可行的。我们提出了一种自适应采样算法，使用多智能体强化学习（MARL）框架中训练有素的多辆自动驾驶汽车作为智能体，在自适应采样过程中做出有效的决策序列。利用实验数据对所提出的解决方案进行了评估，并将其输入到仿真框架中。实验于2019年7月在新泽西州萨默塞特郡的拉坦河和普林斯顿的卡内基湖进行。
Near-real-time water-quality monitoring in uncertain environments such as rivers, lakes, and water reservoirs of different variables is critical to protect the aquatic life and to prevent further propagation of the potential pollution in the water. In order to measure the physical values in a region of interest, adaptive sampling is helpful as an energy- and time-efficient technique since an exhaustive search of an area is not feasible with a single vehicle. We propose an adaptive sampling algorithm using multiple autonomous vehicles, which are well-trained, as agents, in a Multi-Agent Reinforcement Learning (MARL) framework to make efficient sequence of decisions on the adaptive sampling procedure. The proposed solution is evaluated using experimental data, which is fed into a simulation framework. Experiments were conducted in the Raritan River, Somerset and in Carnegie Lake, Princeton, NJ during July 2019.
登录
查看更多内容
Argus：通过多智能体强化学习实现智能手机支持的人类合作以实现灾难态势感知
DOI：
--
发表时间：
2016
期刊：
International Conference on Automation and Computing
影响因子：
--
作者：
Vidyasagar Sadhu;Gabriel Salles;D. Pompili;S. Zonouz;Vincent Sritapan
通讯作者：
Vincent Sritapan
用于持续水下环境监测的节能无线模拟传感
DOI：
--
发表时间：
2018
期刊：
2018 Fourth Underwater Communications and Networking Conference (UComms)
影响因子：
--
作者：
Vidyasagar Sadhu;Sanjana Devaraj;D. Pompili
通讯作者：
D. Pompili
UNISeC：水下声学噪声点源的检查、分离和分类
影响因子：
4.1
作者：
M. Rahmati;D. Pompili
通讯作者：
D. Pompili
通过强化学习与队友建模和奖励分配进行多智能体合作
DOI：
--
发表时间：
2011
期刊：
International Conference on Fuzzy Systems and Knowledge Discovery
影响因子：
--
作者：
Pucheng Zhou;Huiyan Shen
通讯作者：
Huiyan Shen
一种用于多智能体团队协调的分布式 Q-Learning 算法
DOI：
--
发表时间：
2005
期刊：
International Conference on Machine Learning and Computing
影响因子：
--
作者：
Jing Huang;Bo Yang;Da
通讯作者：
Da