多机器人路径规划中的子图结构利用
该研究提出一种基于超图的多机器人任务和动作规划方法,将规划空间分解为互相独立的空间子集,使得规划时间相对于已有方法加速了三个数量级,并且展现了该方法在其他多机器人任务和动作规划问题上的有效性。
Oct, 2022
通过利用冲突基础搜索算法的重复和增量特性,加速搜索算法的方法使其适用于多臂协调和复杂环境中的机器人操作,从而达到完整和有界的次优性保证。
Mar, 2024
本研究介绍了一种使用深度神经网络自动生成机器人特定体系结构进行环境预测和自动计算抽象状态和动作的方法,得到的结果可用于提高机器人的规划性能和可靠性。研究结果表明,所学习的抽象状态和动作可以与一种新型的多源双向分层机器人规划算法配合使用,在测试环境中的计划时间上的表现比现有技术的基准方法提高了近 10 倍。
Feb, 2022
提出了一种新颖的中央分离式算法,通过利用路径分化和最优子问题解决数据库来解决多机器人路径规划问题,从而实现高效的解决路径冲突,并在大规模、动态环境中取得高水平的解决方案优化。
Apr, 2019
通过与网络流的等价性和整数线性规划,我们设计了用于解决四个不同目标的新颖和完整算法,从而解决了最佳多机器人路径规划问题。采用基于 ILP 算法模型和启发式算法的组合方法,能够在几秒钟内计算出包含数百个机器人,环境密集的问题的 1.x - 最优解。
Jul, 2015
本文研究基于图的多机器人路径规划问题,提出两种多流基于整数线性规划算法,计算最小到达时间和最小总距离的解决方案,其算法性能表现得到评估,并能够适应其他 MPP 问题变体。
Apr, 2012
该论文提出了一种名为 Graph Transformer 的学习组件,作为加速规划的启发式函数,证明了其完备性和有限次最优性,同时经实验证明,在相对少的代理问题实例中训练的 Graph Transformer 可以很好地推广到更多代理的问题实例中,并且性能优于现有方法。
Jan, 2023