Explainable graph-based meta-reinforcement learning for cognitive UAV swarms under partial observability and adaptive jamming
Cet article présente XM-MADRL, un cadre d'apprentissage par renforcement méta basé sur les graphes et explicable pour les essaims de drones, qui démontre des gains de performance significatifs en matière de livraison de paquets et de capacités anti-brouillage, spécifiquement sous une observabilité partielle et un brouillage adaptatif, tout en révélant que ses composantes de coordination et de méta-adaptation n'apportent aucun bénéfice contre les brouilleurs prévisibles ou l'observabilité complète.