MOISE+MARL : un cadre organisationnel pour l’explicabilité et le contrôle en apprentissage par renforcement multi-agent
Des agents en apprentissage par renforcement multi-agent peuvent développer des comportements interprétables comme des rôles ou objectifs implicites, suggérant une hypothétique organisation émergente. Afin d’exploiter pleinement cette analogie, nous introduisons MOISE+MARL, un cadre organisationnel qui couple le modèle organisationnel ℳ O I S E + à un modèle Markovien afin d’améliorer le contrôle et l’explicabilité des politiques apprises. MOISE+MARL guide ou contraint les agents selon des rôles et des objectifs en ajustant dynamiquement leurs actions et récompenses, et intègre une méthode d’analyse permettant d’inférer a posteriori des spécifications organisationnelles implicites à partir des trajectoires des agents. MOISE+MARL a été évalué sur quatre environnements et plusieurs algorithmes d’apprentissage par renforcement multi-agent. Les résultats montrent que les politiques des agents convergent plus rapidement, sont plus stables et deviennent plus explicables. La méthode d’analyse est confirmé par la cohérence entre les spécifications organisationnelles définies et celles inférées.
Authors
- Michel Occello (ORCID: https://orcid.org/0000-0001-8727-8010)
- Julien Soulé (ORCID: https://orcid.org/0009-0002-3218-2614)
- Louis-Marie Traonouez
- Paul Théron
- Jean-Paul Jamont
Institutions
- Institut polytechnique de Grenoble (FR)
- Thales (France) (FR)
- Laboratoire de Conception et d'Intégration des Systèmes (FR)
- Université Grenoble Alpes (FR)
Publication Details
- Journal
- Revue Ouverte d Intelligence Artificielle
- Published
- 2026-11-20
- DOI
- https://doi.org/10.5802/roia.106
- Primary Topic
- Reinforcement Learning in Robotics
- Type
- article
- Field-Weighted Citation Impact
- 0.00