Une étude et une critique de l'apprentissage par renforcement profond multi-agents

L'apprentissage par renforcement profond (RL) a obtenu des résultats remarquables ces dernières années. Cela a conduit à une augmentation spectaculaire du nombre d'applications et de méthodes. Des travaux récents ont exploré l'apprentissage au-delà des scénarios à agent unique et ont considéré des scénarios d'apprentissage multi-agents (MAL). Les premiers résultats font état de succès dans des domaines multi-agents complexes, bien qu'il reste plusieurs défis à relever. L'objectif principal de cet article est de fournir une vue d'ensemble claire de la littérature actuelle sur l'apprentissage par renforcement profond multi-agent (AMRL). En outre, nous complétons cet aperçu par une analyse plus large : (i) nous revisitons les composantes clés précédentes, présentées à l'origine dans MAL et RL, et nous soulignons comment elles ont été adaptées aux contextes d'apprentissage par renforcement profond multi-agent. (ii) Nous fournissons des lignes directrices générales aux nouveaux praticiens dans le domaine : nous décrivons les leçons tirées des travaux sur l'apprentissage par renforcement profond, nous indiquons les repères récents et nous soulignons les pistes de recherche ouvertes. (iii) Nous adoptons un ton plus critique en soulevant les défis pratiques de la MDRL (par exemple, la mise en œuvre et les exigences de calcul). Nous espérons que cet article contribuera à unifier et à motiver les recherches futures afin de tirer parti de l'abondante littérature existante (par exemple, RL et MAL) dans un effort commun pour promouvoir une recherche fructueuse dans la communauté multi-agents.