단순한 보상으로부터 복잡한 집단 행동을 밝히다

요약

본 논문은 Multi-agent Reinforcement Learning (MARL)에서 단순한 보상으로부터 복잡한 집단 행동이 출현하는 메커니즘을 해석하려는 연구입니다. 새로운 분석 도구인 Agent Response Map (ARM)을 제안하여, 로봇들이 환경의 기하학적 장(geometric fields)을 암묵적으로 학습하고 이를 협력 및 경쟁 상황 모두에서 활용함을 입증했습니다.

핵심 포인트

• MARL의 블랙박스 문제를 해결하기 위해 해석 가능성 확보가 중요합니다.
• Agent Response Map (ARM)은 에이전트의 의사 결정 패턴과 기하학적 장을 분석하는 도구입니다.
• 협력 작업에서 로봇들은 비점유 영역을 자율적으로 탐색하는 능력을 보였습니다.
• 경쟁 작업에서는 포식자의 Voronoi 다이어그램 경계가 피식자 에이전트의 목표지가 되었습니다.