关于在正交部分可观测协作守卫艺术画廊中学习最优角落
On Learning Optimal Corners in Orthogonal Partially Observable Cooperative Guard Art Galleries
浏览论文内容
中文总结 AI 辅助
针对CADENCE算法未指定智能体部署角落的问题，提出CNN和GATv2两种学习型启发式方法，在正交环境中提升覆盖速度和智能体利用率，且保持形式保证。
中文摘要 AI 辅助
CADENCE算法通过形式化的覆盖和连通性保证解决了部分可观测协作守卫艺术画廊问题（POCGAGP），但未明确每个智能体应部署到哪个有效角落，而这一选择对效率影响很大。我们引入了两种保持这些保证的学习型角落选择启发式方法：一种是在网格编码上对候选进行评分的CNN，另一种是使用深度Q学习（DQN）在可见性图上训练的GATv2网络。在随机正交环境（50x50到250x250）中的7,500次运行中，我们的启发式方法在达到完全覆盖的步数和峰值智能体数量方面均优于基线CADENCE，且优势随规模增大而增加，并在智能体利用率上优于增量自部署（ISDA）基线，同时提供了ISDA所缺乏的保证。因此，学习型角落选择在不损害CADENCE形式属性的前提下，提高了其速度和智能体利用率。
英文摘要
The CADENCE algorithm solves the Partially Observable Cooperative Guard Art Gallery Problem (POCGAGP) with formal coverage and connectivity guarantees, but leaves unspecified which valid corner each agent should be deployed to, a choice that strongly affects efficiency. We introduce two learned corner-selection heuristics that preserve these guarantees: a CNN scoring candidates on a grid encoding, and a GATv2 network trained with Deep Q-Learning (DQN) on a visibility graph. Across 7,500 runs on random orthogonal environments (50x50 to 250x250), our heuristics outperform baseline CADENCE in both steps to full coverage and peak agent count, with gains growing with scale, and improve on Incremental Self-Deployment (ISDA) baselines in agent utilization while providing guarantees ISDA lacks. Learned corner selection thus improves CADENCE in speed and agent utilization at no cost to its formal properties.
发表机构
- Université Paris-Saclay（巴黎萨克雷大学）
- Centralesupélec（巴黎中央理工-高等电力学院）
机构由 AI 辅助整理，请以论文原文为准。
