MARC

 008260126s2025        us                              c    eng  d
■001000017360689
■00520260202105606
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265425980
■035    ▼a(MiAaPQ)AAI32316342
■035    ▼a(MiAaPQ)Stanfordgh657ff3128
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a363.34
■1001  ▼aAsmar,  Dylan  M.
■24510▼aCollaborative  Multiagent  Decision  Making  Via  Action  Suggestions
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a171  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Kochenderfer,  Mykel.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aEffective  coordination  among  autonomous  agents  operating  under  uncertainty  remains  a  fundamental  challenge  in  multiagent  systems.  While  humans  naturally  communicate  through  action  suggestions  that  reflect  beliefs  and  intent,  autonomous  systems  lack  principled  methods  for  leveraging  this  intuitive  mechanism.  This  dissertation  addresses  that  gap  by  formalizing  how  action  suggestions  can  serve  as  a  practical  coordination  strategy  for  agents  in  partially  observable  environments.  The  central  insight  is  that  action  suggestions  function  as  compressed  signals  about  beliefs,  enabling  agents  to  infer  information  about  each  other's  observations  and  understanding  of  the  world.  This  perspective  offers  more  tractable  coordination  compared  to  decentralized  partially  observable  Markov  decision  processes  (Dec-POMDPs),  which  provide  the  theoretical  foundation  for  multiagent  decision  making  under  uncertainty  but  are  computationally  intractable  for  most  real-world  problems.This  dissertation  makes  three  contributions  that  collectively  advance  the  action  suggestion  paradigm.  First,  it  establishes  the  joint  belief  reconstruction  criterion,  proving  that  when  agents  can  reconstruct  sufficiently  accurate  joint  beliefs  from  communicated  information,  the  computational  complexity  of  decentralized  coordination  can  be  significantly  reduced  with  bounded  performance  guarantees.  The  Multiagent  Control  via  Action  Suggestions  (MCAS)  algorithm  operationalizes  this  theory,  demonstrating  how  agents  can  coordinate  by  using  action  suggestions  to  prune  infeasible  beliefs  and  reconstruct  joint  situational  awareness.  The  framework  is  then  extended  to  treat  action  suggestions  as  observations,  enabling  belief  updates  that  incorporate  suggester  quality  through  adaptive  learning  mechanisms  and  proactive  suggestion  requests.  Finally,  the  dissertation  addresses  policy  interpretability  by  developing  counterfactual  explanation  methods  that  identify  minimal  belief  adjustments  necessary  to  alter  agent  decisions,  providing  tools  for  understanding  why  agents  choose  specific  actions  and  what  conditions  would  support  alternative  choices.Experimental  evaluation  demonstrates  the  effectiveness  of  the  action  suggestion  paradigm  across  diverse  coordination  scenarios,  showing  improved  performance  in  multiagent  coordination,  enhanced  decision-making  for  agents  receiving  external  guidance,  and  practical  tools  for  explaining  agent  behavior  through  belief  analysis.  By  connecting  intuitive  human  coordination  mechanisms  with  formal  multiagent  decision-making  frameworks,  this  dissertation  contributes  both  theoretical  insights  and  practical  algorithms  for  improving  autonomous  agent  coordination  under  uncertainty.  It  opens  new  directions  for  human-inspired  multiagent  systems  and  establishes  a  foundation  for  more  intuitive  human-agent  teaming.
■590    ▼aSchool  code:  0212.
■650  4▼aEmergency  preparedness
■650  4▼aCommunication
■650  4▼aEvacuations  &  rescues
■650  4▼aDecision  making
■650  4▼aAutonomous  vehicles
■650  4▼aRobots
■650  4▼aEarthquakes
■650  4▼aLinear  programming
■650  4▼aMarkov  analysis
■650  4▼aPublic  administration
■650  4▼aRobotics
■650  4▼aTransportation
■690    ▼a0459
■690    ▼a0796
■690    ▼a0617
■690    ▼a0771
■690    ▼a0709
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360689▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서