#MARL

시뮬레이션 다중 에이전트 강화학습에서 실물 다중 로봇 협력으로

산업 환경에서 이동 로봇 여러 대가 중앙 집중형 실행 정책 없이 기계를 서비스하고 완성 부품을 수집·운반하는 분산형 다중 에이전트 강화학습(MARL) 연구를 소개한다. 연구팀은 2D LiDAR 관측과 작업별 상태 정보를 결합해 작업 배정과 내비게이션을 동시에 처리하는 FMAPPO(Feature-fusion Multi-Agent PPO)를 제안한다. NVIDIA Isaac Sim·Isaac Lab에서 학습한 정책을 ROS 2를 통해 실물 로봇에 직접 배포하는 워크플로를 구성했다. 시뮬레이션 성능 평가 외에, 명령 갱신 주파수에 대한 민감도를 포함해 실물 로봇에서 정책의 동작 특성을 분석했다. 감지·제어 제약이 있는 실물 시스템에 분산형 강화학습 정책을 적용할 때 발생하는 문제를 이해하는 것이 연구의 핵심 목표다.

큐레이터시뮬레이션-실물 전이(sim-to-real) 실험이 포함되어 있으나, 공개된 본문이 중간에 잘려 있어 실기 환경에서의 정량 성능 격차가 논문에 어느 수준으로 보고되는지는 원문을 직접 확인해야 한다.