Simulating crowds using deep multi-agent reinforcement learning

Abstract

Deze thesis onderzocht verschillende multi-agent reinforcement learning methodes en paste deze toe om crowds te simuleren, om vervolgens een vergelijking te kunnen stellen tussen deze methodes, zowel op het vlak van prestaties als gedrag van de individuen. Hierbij werden 3 grote multi-agent training schemes met elkaar vergeleken, waarbij dan bleek dat een trainingscheme genaamd Centralized Learning with Decentralized execution het meest voordelig was. Hierbij wordt in de trainingsfase ervaringen en data gedeeld tussen de verschillende individuen, waardoor het leren sneller verloopt.