Competitive and Adversarial Multi-Agent Learning for Robots

本文深入研究了竞争与对抗场景下的多智能体学习在机器人中的应用。竞争多智能体学习通过自博弈、对手建模、鲁棒策略优化等方法，使机器人在对抗环境中学习稳定且具有竞争力的策略。文章比较了不同博弈论框架（零和博弈、一般和博弈、Stackelberg博弈）和对抗训练方法在机器人足球、追逐躲避、攻防对抗等任务中的表现，分析了策略多样性、对手适应性、鲁棒性对竞争性能的影响。来源机构包括OpenAI、DeepMind、Stanford等研究机构。