基于融合社交模型的多智能体强化学习导航方法
徐文博
胡春鹤
北京林业大学 工学院,北京 100083
摘要：密集人群环境中的多智能体协同导航仍面临交互关系复杂、社交规范难以建模等问题.为提升智能体在复杂环境中的避碰效率与社交适应性,构建了一种基于RVO与SFM建立融合式社会性交互模型的多智能体导航方法(即SFMRVO-DRL),通过碰撞风险调节两者权重,实现高效避障与自然运动的统一.在此基础上,设计包含图注意力机制的决策结构,用以捕捉智能体间的动态关联,并引入右手通行规则构建多目标奖励函数,以增强策略的社交合规性与稳定性.训练过程中采用 MAPPO在集中训练、分散执行框架下实现策略优化.实验结果表明,该方法在典型圆形交互场景中,相较GA3C-CADRL、NH-ORCA与HeR-DRL在成功率、导航时间与速度等指标上均具有显著优势.研究验证了RVO-SFM融合交互建模、注意力图社交感知与社交规范驱动的多目标强化学习对提升复杂人群导航性能的有效性.图社交感知与社交规范驱动的多目标强化学习对提升复杂人群导航性能的有效性.
关键词：深度强化学习多智能体社会力模型社交导航
分类号：TP181(自动化基础理论)
资助基金：北京林业大学科技创新计划项目(2024XY-G009)
论文发表日期：2026-08-25
在线出版日期：2026-08-28（本平台首次上网日期，不代表文献的发表时间）
页数：12( 486-497 )
英文信息