L'Apprendimento per Rinforzo Multi-Agente Consente Gare di Quadricotteri Sovrumane

I ricercatori hanno dimostrato che l'apprendimento per rinforzo multi-agente (MARL) può raggiungere prestazioni sovrumane nelle gare di quadricotteri ad alta velocità, un ambiente dinamico e condiviso del mondo reale. Lo studio, pubblicato su arXiv (2605.22748), affronta la fragilità dei sistemi autonomi negli spazi fisici addestrando agenti attraverso il self-play basato su leghe. Gli agenti apprendono comportamenti anticipatori come l'evitamento proattivo delle collisioni, il sorpasso e la gestione del downwash aerodinamico, superando un pilota umano di livello campione in gare multi-giocatore. Questo lavoro evidenzia il MARL come un'impalcatura di sicurezza per l'interazione nel mondo reale, andando oltre il paradigma a singolo agente che tratta gli altri attori come rumore.