期刊：applied science MDPI
总结：使用VGG进行特征提取，再使用DQN进行决策。论文质量较低，缺乏很多重要内容，如：环境搭建、数据集介绍、action和state的相关描述，还有很多typo；而且论文中并未体现出多机器人的思想。
论文模型图非常简单，画了跟没画似的。。。和常见的强化学习交互图一样。
用到了CNN来处理像素信息（应该后续会作为state），但文中并未说明图像信息来源：
reward设置：离目标近，reward +0.2；碰撞，reward -20；到达目标点，reward +100；
算法流程：并未说清楚s,a是怎么来的；猜测action是停在原地以及上下左右移动五种情形
强化学习算法：DQN
模拟环境：we built a simulator using C++ and Python in a Linux environment；障碍物的数量和位置是随机的；最终目标始终是右上角
arxiv 2020
总结：将传统的A star算法选择路径作为强化学习算法中的action（相当于用A*进行保底）
action：
state：作者在unity3D上的简要环境，一个机器人带有45方向个传感器，45个方向感知的东西， 传感器的感知范围为d长度。
reward：
r
n
a
v
i
g
a
t
i
o
n
+
r
s
c
e
n
a
r
i
o
+
r
p
e
n
a
l
t
y
r_{navigation}+r_{scenario}+r_{penalty}
rnavigation+rscenario+rpenalty
- r n a v i g a t i o n r_{navigation} rnavigation： 如果action是 a 0 a_0 a0，即采用传统方法，则为正奖励，否则为0
- r s c e n a r i o r_{scenario} rscenario：若发生碰撞，则为负奖励；若到达终点，则为正奖励
- r p e n a l t y r_{penalty} rpenalty：每走一步，都有一个负奖励
RL算法：PPO
模拟环境：Unity3D + Tensorflow
PRIMAL: Pathfinding via Reinforcement and Imitation Multi-Agent Learning发表于2019 Robotics and Automation Letters
总结：结合了强化学习和模仿学习，能用于多个智能体（1024）
state：由三个channel组成
action：上下左右或者不动
reward：类似的套路，发生碰撞就扣分，达到目的地就加分
方法：A3C
模拟环境：YouTube视频 ， github代码 （python搭的环境）
| paper | state | action | reward | 补充 |
|---|---|---|---|---|
| Multi-Robot Path Planning Method Using Reinforcement Learning | CNN分析环境的结果 | 未说明，猜测是上下左右和停在原地 | 离目标越近越好，碰撞会赋负值 | 质量低 |
| Multi-agent navigation based on deep reinforcement learning and traditional pathfinding algorithm | 45个方向的传感器结果，障碍物or合作智能体 | 六种action，A*, stay, backward, forward,left,right | r n a v i g a t i o n + r s c e n a r i o + r p e n a l t y r_{navigation}+r_{scenario}+r_{penalty} rnavigation+rscenario+rpenalty | A*作为保底 |
| PRIMAL: Pathfinding via Reinforcement and Imitation Multi-Agent Learning | 不同视野的三通道（当前agent位置、邻居位置、agent目标） | 东南西北移动、不移动 | 靠近目标就加分，发生碰撞减分 | 推出了PRIMAL2 |
