,

مقاله برنامه‌ریزی مسیر فریبنده چندعامله با افق متحرک

تومان249,950

برنامه‌ریزی مسیر فریبنده به عامل‌های خودکار اجازه می‌دهد تا با انحراف از مسیر بهینه مورد انتظار، اهداف واقعی خود را از ناظران پنهان کنند. کارهای پیشین عمدتاً به بهینه‌سازی کامل و سرتاسری برای عامل‌های…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000269 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

برنامه‌ریزی مسیر فریبنده چندعامله با افق متحرک

Receding Horizon Multi-Agent Deceptive Path Planner

نویسندگان: Xubin Fang, Brian M. Sadler, Rick S. Blum

شناسه منبع: arxiv / 2605.14085v1

دسته: eess.SY

چکیده (فارسی)

برنامه‌ریزی مسیر فریبنده به عامل‌های خودکار اجازه می‌دهد تا با انحراف از مسیر بهینه مورد انتظار، اهداف واقعی خود را از ناظران پنهان کنند. کارهای پیشین عمدتاً به بهینه‌سازی کامل و سرتاسری برای عامل‌های منفرد می‌پردازند که محاسبه مجدد آن به صورت آنلاین پرهزینه است و مقیاس‌پذیری یا انطباق در حین حرکت را دشوار می‌سازد. ما یک چارچوب یکپارچه برای برنامه‌ریزی مسیر فریبنده با استفاده از توزیع بولتزمن پیشنهاد می‌کنیم که بر روی مسیرهای نامزد افق کوتاه در یک حلقه افق متحرک محاسبه می‌شود. با تکرار یک هزینه تعریف شده توسط کاربر که فریبندگی، منابع و همواری را در بر می‌گیرد، و به صورت اختیاری شامل ترم‌های اتصال بین عامل‌ها می‌شود، این چارچوب سیاست‌های تصادفی را تولید می‌کند که تعادل بین مسیرهای بهینه و انحراف فریبنده را برقرار می‌سازد. سیاست‌ها به صورت محلی به‌روزرسانی می‌شوند و نیازی به آموزش ندارند. سطح فریبندگی و پایبندی به محدودیت‌ها را می‌توان به صورت پویا تنظیم کرد و امکان انطباق آنلاین با تغییرات در اهداف و محدودیت‌ها مانند موانع را فراهم می‌آورد. این تنظیم گام به گام راه را برای اشکال جدیدی از فریبندگی پویا باز می‌کند. مطالعات شبیه‌سازی، انعطاف‌پذیری رویکرد ما را نشان می‌دهند، که فریبندگی را حفظ کرده و همزمان با به‌روزرسانی‌های محیطی و محدودیت‌ها سازگار می‌شود، از محاسبه مجدد مورد نیاز روش‌های افق کامل اجتناب می‌کند و از تنظیم بصری از طریق مجموعه‌ای کوچک از پارامترها پشتیبانی می‌کند.

Abstract (English)

Deceptive path planning enables autonomous agents to obscure their true goals from observers by deviating from an expected optimal path. Prior work largely solves full-horizon, end-to-end optimization for single agents, which is expensive to recompute online and difficult to scale or adapt en route. We propose a unified framework for deceptive path planning using a Boltzmann distribution, computing over short-horizon candidate trajectories within a receding-horizon loop. By param- By iterating a user-defined cost that captures deception, resources, and smoothness, and optionally includes coupling terms between agents, the framework yields stochastic policies that balance the tradeoff between optimal paths and deceptive deviation. Policies are updated locally and do not require training. The level of deception and adherence to constraints can be dynamically tuned, enabling online adaptation to changes in goals and constraints such as obstacles. This step-by-step tuning opens the door to new forms of dynamic deception. Simulation studies demonstrate the flexibility of our approach, maintaining deception while adapting to environmental and constraint updates, avoiding the recomputation required by full-horizon methods, and supporting intuitive tuning via a small set of parameters

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله برنامه‌ریزی مسیر فریبنده چندعامله با افق متحرک”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا