Zugriff

    Zugriff prüfen

    Verfügbarkeit in meiner Bibliothek prüfen

    Bestellung bei Subito €


    Exportieren, teilen und zitieren



    Titel :

    Multi-Agent Motion Planning using Deep Learning for Space Applications


    Beteiligte:
    Yun, Kyongsik (Autor:in) / Choi, Changrak (Autor:in) / Alimo, Ryan (Autor:in) / Davis, Anthony (Autor:in) / Forster, Linda (Autor:in) / Rahmani, Amir (Autor:in) / Adil, Muhammad (Autor:in) / Madani, Ramtin (Autor:in)

    Kongress:

    ASCEND 2020


    Erschienen in:

    Erscheinungsdatum :

    01.01.2020




    Medientyp :

    Aufsatz (Konferenz)


    Format :

    Elektronische Ressource


    Sprache :

    Englisch




    Space-Time Conflict Spheres for Constrained Multi-Agent Motion Planning

    Chari, Anirudh / Chen, Rui / Liu, Changliu | IEEE | 2023


    Automatic Itinerary Planning Using Triple-Agent Deep Reinforcement Learning

    Chen, Bo-Hao / Han, Jin / Chen, Shengxin et al. | IEEE | 2022


    Scaling Collaborative Space Networks with Deep Multi-Agent Reinforcement Learning

    Ma, Ricky / Hernandez, Gabe / Hernandez, Carrie | IEEE | 2023


    Deep Reinforcement Learning for Image-Based Multi-Agent Coverage Path Planning

    Xu, Meng / She, Yechao / Jin, Yang et al. | IEEE | 2023


    Spacecraft cluster game hunting motion planning method based on multi-agent reinforcement learning

    CHEN GANG / CUI ZI'ANG / LIU YUQIANG et al. | Europäisches Patentamt | 2024

    Freier Zugriff