近日，來自北京大學(xué)的研究者在 arXiv 上發(fā)布論文，提出一種新型注意力通信模型 ATOC，使智能體在大型多智能體強(qiáng)化學(xué)習(xí)的部分可觀測分布式環(huán)境下能夠進(jìn)行高效的通信，幫助智能體開發(fā)出更協(xié)調(diào)復(fù)雜的策略。
從生物學(xué)角度來看，通信與合作關(guān)系密切，并可能起源于合作。例如，長尾黑顎猴可以發(fā)出不同的聲音來警示群體中的其他成員有不同的捕食者 [2]。類似地，在多智能體強(qiáng)化學(xué)習(xí)（multi-agent reinforcement learning，MARL）中，通信對于合作尤為重要，特別是在大量智能體協(xié)同工作的場景下，諸如自動車輛規(guī)劃 [1]、智能電網(wǎng)控制 [20] 和多機(jī)器人控制 [14]。
深度強(qiáng)化學(xué)習(xí)（RL）在一系列具有挑戰(zhàn)性的問題中取得了顯著成功，如游戲 [16] [22] [8] 和機(jī)器人 [12] [11] [5]。我們可以把 MARL 看作是獨(dú)立的 RL，其中每個學(xué)習(xí)器都將其他智能體看成是環(huán)境的一部分。然而，隨著訓(xùn)練進(jìn)行，其他智能體的策略是會變動的，所以從任意單個智能體的角度來看，環(huán)境變得不穩(wěn)定，智能體間難以合作。此外，使用獨(dú)立 RL 學(xué)習(xí)到的策略很容易與其他智能體的策略產(chǎn)生過擬合 [9]。
本論文研究者認(rèn)為解決該問題的關(guān)鍵在于通信，這可以增強(qiáng)策略間的協(xié)調(diào)。MARL 中有一些學(xué)習(xí)通信的方法，包括 DIAL [3]、CommNet [23]、BiCNet [18] 和 master-slave [7]。然而，現(xiàn)有方法所采用的智能體之間共享的信息或是預(yù)定義的通信架構(gòu)是有問題的。當(dāng)存在大量智能體時，智能體很難從全局共享的信息中區(qū)分出有助于協(xié)同決策的有價值的信息，因此通信幾乎毫無幫助甚至可能危及協(xié)同學(xué)習(xí)。此外，在實(shí)際應(yīng)用中，由于接收大量信息需要大量的帶寬從而引起長時間的延遲和高計(jì)算復(fù)雜度，因此所有智能體之間彼此的通信是十分昂貴的。像 master-slave [7] 這樣的預(yù)定義通信架構(gòu)可能有所幫助，但是它們限定特定智能體之間的通信，因而限制了潛在的合作可能性。
為了解決這些困難，本論文提出了一種名為 ATOC 的注意力通信模型，使智能體在大型 MARL 的部分可觀測分布式環(huán)境下學(xué)習(xí)高效的通信。受視覺注意力循環(huán)模型的啟發(fā)，研究者設(shè)計(jì)了一種注意力單元，它可以接收編碼局部觀測結(jié)果和某個智能體的行動意圖，并決定該智能體是否要與其他智能體進(jìn)行通信并在可觀測區(qū)域內(nèi)合作。如果智能體選擇合作，則稱其為發(fā)起者，它會為了協(xié)調(diào)策略選擇協(xié)作者來組成一個通信組。通信組進(jìn)行動態(tài)變化，僅在必要時保持不變。研究者利用雙向 LSTM 單元作為信道來連接通信組內(nèi)的所有智能體。LSTM 單元將內(nèi)部狀態(tài)（即編碼局部觀測結(jié)果和行動意圖）作為輸入并返回指導(dǎo)智能體進(jìn)行協(xié)調(diào)策略的指令。與 CommNet 和 BiCNet 分別計(jì)算內(nèi)部狀態(tài)的算術(shù)平均值和加權(quán)平均值不同，LSTM 單元有選擇地輸出用于協(xié)作決策的重要信息，這使得智能體能夠在動態(tài)通信環(huán)境中學(xué)習(xí)協(xié)調(diào)策略。
研究者將 ATOC 實(shí)現(xiàn)為端到端訓(xùn)練的 actor-critic 模型的擴(kuò)展。在測試階段，所有智能體共享策略網(wǎng)絡(luò)、注意力單元和信道，因此 ATOC 在大量智能體的情況下具備很好的擴(kuò)展性。研究者在三個場景中通過實(shí)驗(yàn)展示了 ATOC 的成功，分別對應(yīng)于局部獎勵、共享全局獎勵和競爭性獎勵下的智能體協(xié)作。與現(xiàn)有的方法相比，ATOC 智能體被證明能夠開發(fā)出更協(xié)調(diào)復(fù)雜的策略，并具備更好的可擴(kuò)展性（即在測試階段添加更多智能體）。據(jù)研究者所知，這是注意力通信首次成功地應(yīng)用于 MARL。
圖 1：ATOC 架構(gòu)。
圖 2：實(shí)驗(yàn)場景圖示：協(xié)作導(dǎo)航（左）、協(xié)作推球（中）、捕食者-獵物（右）。
圖 3：在協(xié)作導(dǎo)航訓(xùn)練期間，ATOC 獎勵與基線獎勵的對比。
表 1：協(xié)作導(dǎo)航。
圖 4：ATOC 智能體之間關(guān)于協(xié)作導(dǎo)航的通信可視化。最右邊的圖片說明在有無通信時，一組智能體采取的行動。
圖 5：在協(xié)作推球訓(xùn)練期間，ATOC 獎勵與基線獎勵的對比。
表 2：協(xié)作推球。
圖 6：在捕食者-獵物中，ATOC 和基線的捕食者得分的交叉對比。
ATOC 算法。
論文：Learning Attentional Communication for Multi-Agent Cooperation
論文鏈接：https://arxiv.org/pdf/1805.07733.pdf
摘要：通信可能是多智能體協(xié)作的一個有效途徑。然而，現(xiàn)有方法所采用的智能體之間共享的信息或是預(yù)定義的通信架構(gòu)存在問題。當(dāng)存在大量智能體時，智能體很難從全局共享的信息中區(qū)分出有助于協(xié)同決策的有用信息。因此通信幾乎毫無幫助甚至可能危及多智能體間的協(xié)同學(xué)習(xí)。另一方面，預(yù)定義的通信架構(gòu)限定特定智能體之間的通信，因而限制了潛在的合作可能性。為了解決這些困難，本論文提出了一種注意力通信模型，它學(xué)習(xí)何時需要通信以及如何整合共享信息以進(jìn)行合作決策。我們的模型給大型的多智能體協(xié)作帶來了有效且高效的通信。從實(shí)驗(yàn)上看，我們證明了該模型在不同協(xié)作場景中的有效性，使得智能體可以開發(fā)出比現(xiàn)有方法更協(xié)調(diào)復(fù)雜的策略。