该研究提出了一个基于 Multi-Agent Path Finding (MAPF) 的两层搜索的 MAPF-DP 解决方案，包括规划具有不完美执行计划的有效 MAPF-DP 解决方案，提出了具有鲁棒性的计划执行策略以控制每个代理的行动，展示了能够生成有效 MAPF-DP 计划的两层 MAPF-DP 求解器（称为期望值最小化近似）。

Dec, 2016

我们提出了一种基于分布式多智能体蒙特卡罗树搜索方法的多智能体路径规划算法，通过利用智能体的观察结果重新创建内在的马尔科夫决策过程，并结合针对多智能体任务的定制化神经蒙特卡罗树搜索算法进行路径规划，实验证明该方法优于现有的学习型多智能体路径规划器。

Dec, 2023

在这项工作中，我们研究了分布式多智能体路径规划问题的设置，通过集成启发式搜索和强化学习方法，提出了一种解决复杂的问题的方法。我们的方法在广泛的设置中得到了验证，并且在吞吐量和泛化能力上表现优越，同时比现有的基于规则和基于搜索的解决方法快一个数量级。

Oct, 2023

本文介绍了两种创新方法来生成成本感知的公平计划，第一种使用优化问题预先分配目标，并使用该分配解决集中式 MAP 任务，第二种利用基于计划的编译，考虑给定的公平性方案来解决目标分配和计划的联合问题，在几个标准 MAP 基准测试中证明这些方法优于不同的基线，并表明生成公平计划无需牺牲过多的计划成本。

Dec, 2022

提出了一种基于 Safe interval path planning (SIPP) 和 Conflict-based search (CBS) 算法的多智能体路径规划 (Multi-Agent Pathfinding, MAPF) 方法，不依赖于网格、时间步长和动作的同时，并具有保证最优解的特点。对该算法进行了分析、讨论优劣，并在多项标准基准测试中进行了实验评估。

Jan, 2019

本文提出了一种名为 SocialMAPF 的路径规划算法，该算法适用于考虑代理人个体私人的激励因素的约束环境。我们使用机制设计提高了个体的私人效用和全局系统目标，从而使得机器人能够在考虑到自身私人激励情况下达到更高的整体效用。实验表明，这种算法比传统方法更加高效，而且机制设计算法还能应用于静态环境中，具有很高的研究价值。

Oct, 2022

本文介绍了如何在 SAT 求解器中构建带有领域特定启发式信息的 MAPF 编码，并选择每个 agent 的备选路径来构建编码，实验结果表明这种启发式的 MAPF 求解器优于普通的 SAT 求解器。

Dec, 2022

本研究通过对二维网格中时间最优多智能体路径规划的细粒度复杂性分析，揭示了新的可解性界限，并在只有两个方向时，提出了找到最优解的有效算法，从而帮助指导算法设计。

May, 2023

使用分散化方法，本研究引入了可操作的多智能體路徑規劃演算法 (MAPP)，並經實驗證明，其比現有的 FAR 和 WHCA * 方法解決率更高。

Jan, 2014

本文介绍了一种新的 MAPF 扩展，称为 Terraforming MAPF（tMAPF），其中一些代理负责移动障碍以为其他代理清除道路。我们介绍了两种先进算法 CBS 和 PBS 的扩展来解决 tMAPF 问题，并表明它们无论在哪种静态障碍条件下都可以持续超过最佳解决方案。

Mar, 2022