@techreport{oai:ipsj.ixsq.nii.ac.jp:00232678,
 author = {井口, 要 and 菅原, 俊治},
 issue = {5},
 month = {Feb},
 note = {近年，マルチエージェント深層強化学習の研究は活発だが，全エージェントが同質 (homogeneous agents) であるという仮定をおくことが多い．しかし，高度で複雑なシステムでは，異質エージェント (heterogeneous agents) が混在する場合もある．本研究では，エージェント間の経験を共有することで報酬が疎となる環境でも効率的に探索することができる既存の学習手法である Shared Experience Actor-Critic (SEAC) を，エージェントの類似度に基づいてクラスタリングすることで，類似したエージェント間での経験共有を可能にし，これを異種エージェント環境に適応した学習手法を提案する．評価実験を通して，提案手法が SEAC の持つ利点を残したまま，異種エージェント環境においても高効率な協調行動ができることを示す．},
 title = {クラスタリングと経験共有を用いたマルチエージェント強化学習の学習手法の提案},
 year = {2024}
}