マルチエージェント連続タスクへの改良型罰回避政策形成アルゴリズムの適用とサッカーロボットを用いた実験による評価

抄録

本研究では， 著者らが提案する「改良型罰回避政策形成アルゴリズム」を マルチエージェント系の連続タスクである「Keepaway task」に適用し， シミュレーションにより最適な報酬割引率・罰ルール度閾値の選定を行う． その後，シミュレーションで最も学習効果の見られた報酬割引率・罰ルール度閾値を用いた実機実験を行うことで，実環境での学習性能を検証する。