Q学习角色值法在机器人足球比赛中的应用

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

Q学习角色值法在机器人足球比赛中的应用

文章导航 > 电子科技大学学报 > 2007 > 36(4): 809-812

向中凡. Q学习角色值法在机器人足球比赛中的应用[J]. 电子科技大学学报, 2007, 36(4): 809-812.

引用本文:

向中凡. Q学习角色值法在机器人足球比赛中的应用[J]. 电子科技大学学报, 2007, 36(4): 809-812.

XIANG Zhong-fan. Application of Role Value to Robot Soccer Based on Q-Learning[J]. Journal of University of Electronic Science and Technology of China, 2007, 36(4): 809-812.

Citation:

XIANG Zhong-fan. Application of Role Value to Robot Soccer Based on Q-Learning[J]. Journal of University of Electronic Science and Technology of China, 2007, 36(4): 809-812.

Q学习角色值法在机器人足球比赛中的应用

向中凡

1.
西华大学机械工程与自动化学院成都 610039

作者简介:
向中凡(1965-),男,博士,副教授,主要从事机电一体化方面的研究.

中图分类号: TP24

Application of Role Value to Robot Soccer Based on Q-Learning

XIANG Zhong-fan

1.
School of Mechanical Engineering and Automation,Xihua University Chengdu 610039

摘要: 提出了基于Q学习的角色值方法,避免了在比赛中由于机器人之间的频繁角色转换而造成的系统效率损失及系统不稳定。该方法完善了多智能体系统的整体调整方法,有效地解决了在实际系统设计和实现过程中遇到的问题。经FIRA仿真比赛检验,该方法是有效的,降低了机器人丢球、漏球、不作为的可能性,弥补了按区域分配固定角色的不足,有较好的实用性。
- 多智能体系统 /
- 强化学习 /
- 机器人 /
- 角色值
Abstract: Multi-Agent System (MAS) designing has faced some challenging work such as cooperation among agents which are vital to the performance of this system. A much advanced agent role-value method based upon Q-learning is proposed in this paper to avoid the unstabilizing factors and the loss of efficiency caused by possibility of too frequent role switching between robots. Other new methods based on this role model are suggested to solve the problems associated with system designing and implementation. Application to Federation of International Robot-Soccer Association (FIRA) simulation system proves that this method is effective, and reduces the possibility that the robots loss ball, fumble ball and nonfeasance, and remedies the shortage that roles are assigned according to fixed regions.
- multi-agent system /
- reinforcement learning /
- robot /
- role value

[1]	翟社平, 李航, 亢鑫年, 杨锐. 融合强化学习的实体关系联合抽取模型 . 电子科技大学学报, 2024, 53(2): 243-251. doi: 10.12178/1001-0548.2023107
[2]	罗欣, 陈艳阳, 耿昊天, 许文波, 张民. 基于深度强化学习的文本实体关系抽取方法 . 电子科技大学学报, 2022, 51(1): 91-99. doi: 10.12178/1001-0548.2021162
[3]	高远翔, 罗龙, 孙罡. 基于强化学习的多阶段网络分组路由方法 . 电子科技大学学报, 2022, 51(2): 200-206. doi: 10.12178/1001-0548.2021260
[4]	李新民, 尹宝林, 魏李莉, 张晓强. 强化学习无人机通信系统中的信息年龄优化 . 电子科技大学学报, 2022, 51(2): 213-218. doi: 10.12178/1001-0548.2021128
[5]	胡浪涛, 毕松姣, 刘全金, 吴建岚, 杨瑞. 基于深度强化学习的多小区NOMA能效优化功率分配算法 . 电子科技大学学报, 2022, 51(3): 384-391. doi: 10.12178/1001-0548.2021193
[6]	鲁华祥, 尹世远, 龚国良, 刘毅, 陈刚. 基于深度确定性策略梯度的粒子群算法 . 电子科技大学学报, 2021, 50(2): 199-206. doi: 10.12178/1001-0548.2020420
[7]	叶进, 肖庆宇, 陈梓晗, 陈贵豪, 李陶深. 以用户QoE预测值为奖励的视频自适应比特率算法 . 电子科技大学学报, 2021, 50(2): 236-242. doi: 10.12178/1001-0548.2020325
[8]	黄山, 黄洪钟, 曾奇, 钱华明. 一种室内高动态环境的机器人定位方法 . 电子科技大学学报, 2021, 50(3): 382-390. doi: 10.12178/1001-0548.2021004
[9]	林粤伟. 基于强化学习的LTE与WiFi异构网络共存机制 . 电子科技大学学报, 2021, 50(3): 375-381. doi: 10.12178/1001-0548.2019303
[10]	秦爽, 赵冠群, 冯钢. 基于多智体强化学习的接入网络切片动态切换 . 电子科技大学学报, 2020, 49(2): 162-168. doi: 10.12178/1001-0548.2020049
[11]	谭俊杰, 梁应敞. 面向智能通信的深度强化学习方法 . 电子科技大学学报, 2020, 49(2): 169-181. doi: 10.12178/1001-0548.2020040
[12]	黄庆东, 石斌宇, 郭民鹏, 袁润芝, 陈晨. 基于Q-learning的分布式自适应拓扑稳定性算法 . 电子科技大学学报, 2020, 49(2): 262-268. doi: 10.12178/1001-0548.2019076
[13]	史豪斌, 徐梦. 基于强化学习的旋翼无人机智能追踪方法 . 电子科技大学学报, 2019, 48(4): 553-559. doi: 10.3969/j.issn.1001-0548.2019.04.012
[14]	刘霞, 陈勇. 一类具有多种不确定性机器人系统的自适应控制 . 电子科技大学学报, 2015, 44(1): 61-66. doi: 10.3969/j.issn.1001-0548.2015.01.010
[15]	刘强, 马家辰, 谢玮, 马立勇. 混合粒子群优化算法和案例推理方法的多机器人学习 . 电子科技大学学报, 2014, 43(1): 137-143. doi: 10.3969/j.issn.1001-0548.2014.01.023
[16]	谢昭贤, 黄大贵, 明爱国, 李智军, 下条诚. 基于同时发射声纳环移动机器人导航系统 . 电子科技大学学报, 2007, 36(2): 309-311,321.
[17]	万永伦, 丁杰雄. 一种机器人寻线控制系统 . 电子科技大学学报, 2003, 32(1): 47-50.
[18]	范守文, 徐礼钜, 甘泉. 二重八面体变几何桁架机器人工作空间解析 . 电子科技大学学报, 2001, 30(2): 134-138.
[19]	李小兵. 圆轴孔机器人主动装配方法的研究 . 电子科技大学学报, 2001, 30(1): 49-52.
[20]	谭营, 何振亚, 邓超. 一种机器人逆运动学求解的神经网络方法 . 电子科技大学学报, 1998, 27(3): 310-315.

WeChat

点击查看大图

计量

文章访问数: 4455
HTML全文浏览量: 161
PDF下载量: 75
被引次数: 0

Q学习角色值法在机器人足球比赛中的应用

向中凡

1. 西华大学机械工程与自动化学院成都 610039

作者简介:
向中凡(1965-),男,博士,副教授,主要从事机电一体化方面的研究.

收稿日期: 2007-07-04
刊出日期: 2006-08-15

中图分类号: TP24

关键词:

摘要: 提出了基于Q学习的角色值方法,避免了在比赛中由于机器人之间的频繁角色转换而造成的系统效率损失及系统不稳定。该方法完善了多智能体系统的整体调整方法,有效地解决了在实际系统设计和实现过程中遇到的问题。经FIRA仿真比赛检验,该方法是有效的,降低了机器人丢球、漏球、不作为的可能性,弥补了按区域分配固定角色的不足,有较好的实用性。

English Abstract

向中凡. Q学习角色值法在机器人足球比赛中的应用[J]. 电子科技大学学报, 2007, 36(4): 809-812.

引用本文:

向中凡. Q学习角色值法在机器人足球比赛中的应用[J]. 电子科技大学学报, 2007, 36(4): 809-812.

XIANG Zhong-fan. Application of Role Value to Robot Soccer Based on Q-Learning[J]. Journal of University of Electronic Science and Technology of China, 2007, 36(4): 809-812.

Citation:

XIANG Zhong-fan. Application of Role Value to Robot Soccer Based on Q-Learning[J]. Journal of University of Electronic Science and Technology of China, 2007, 36(4): 809-812.

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发