선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 효과직임을 보였다. 또한 이 실험을 통하여 복잡한 환경 속의 에이전트 학습시 효과적인 상태 공간이전체 학습 성능에 어떠한 영향을 주는지 보여주고 있다. 그러나 축구 전술문제와 같은 상위 레벨의 학습문제까지 고려를 할 경우에는 좀 더 복잡한 행동들이 나와 학습시간의 지연이 올 수도 있다.
- 그러나 단순한 강화학습의 가장 큰 문제점은 큰 상태공간을 갖는 복잡한 환경들에 그대로 적용하기가 힘들다는 것이다. 본 논문에서는 복잡한 환경인 로봇 축구에 기존의 강화 학습을 개선한 Modular Q-leaming 적용하여, 에이전트들의 자율성과 반응성을향상시키기 위해 큰 상태 공간에서 에이전트들의 다양한 행동을 이용한 효과적으로 학습할 수 있는 구조를 제안한다.
- 본 논문은 복잡한 환경의 멀티 에이전트 시스템에서다양한 행동들로 인하여 지수적으로 늘어나게 되는 상태 공간을 줄이기 위하여 강화학습인 Modular Q-learning올 사용한 구조를 제안하고, Q니earning을사용한 구조와의 비교, 평가를 로봇축구 환경의 실험을통하여 효과직임을 보였다. 또한 이 실험을 통하여 복잡한 환경 속의 에이전트 학습시 효과적인 상태 공간이전체 학습 성능에 어떠한 영향을 주는지 보여주고 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.