arXiv · cs.AI· Hongrui Zheng, Aditya Singh, Rahul Mangharam·· 5 小时前
SafeDiSTL通过分解联合约束实现安全多智能体强化学习
SafeDiSTL: Decomposing Joint Constraints for Safe Multi-Agent Reinforcement Learning
arXiv:2610.13737v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Hongrui Zheng, Aditya Singh, Rahul Mangharam
研究任务与主要进展
SafeDiSTL是一种受约束的多智能体强化学习框架，可在仅有联合约束测量时进行智能体间的信用分配。方法使用信号时序逻辑（STL）鲁棒性衡量整集违规，并通过平滑的全回合鲁棒性和可微动力学，将成本增量按动作敏感度分摊，同时考虑延迟影响。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org