LEARNING
CoDiMAD：基于扩散的特权蒸馏实现无通信多机器人协调
Jiyue Tao, Shunheng Xin, Tongsheng Shen, Dexin Zhao, Feitian Zhang
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出CoDiMAD框架，通过扩散概率模型对特权策略进行蒸馏，解决无通信多机器人系统中局部观测对应多模态动作分布的问题。该方法在保持去中心化执行的同时，能采样出协调一致的动作而非平均化多模态分布。
关键词
multi-robot coordinationdiffusion modelsprivileged distillationcommunication-freedecentralized control
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018