May, 2017

在线接送任务的终身多智能体路径规划

PDF
TL;DR本文研究了多智能体取送问题的一个生命周期版本，提出了两种算法 Token Passing 与 Token Passing with Task Swaps，其中 TP 算法对于拥有数百个智能体和任务的 MAPD 实例仍然有效，可全面推广为全分布式 MAPD 算法，TPTS 需要少量智能体之间的通信，TP 算法适用于需要实时计算的情况，TPTS 算法则在 TP 算法与集中式 MAPD 算法之间做出了平衡。
multi-agent pickup and delivery problemtoken passingtask swapsautomated warehousescollision avoidance
发现论文，激发创造
  • 具有延迟的强大多智能体取送货

    本文研究带延迟的 Multi-Agent Pickup and Delivery 问题，提出了两种算法，基于 Token Passing 算法提供确定性和概率性的保证，在实验中，算法表现出了较好的有效性和健壮性，尤其是减少了重规划的次数。

    Mar, 2023

  • 多智能体取送货生命周期运动规划

    本研究介绍了一个处理多智能体运输问题的新算法，使用组合搜索算法 SIPPwRT 进行单智能体路径规划，并考虑了实际机器人的动力学约束，相比于现有算法更为高效和有效。

    Dec, 2018

  • 多目标多智能体接送

    本研究提出两种算法变种 - LNS-PBS 和 LNS-wPBS 来解决实时多智能体拾送配送问题（MAPD）及一般版 (MG-MAPD)，并采用大邻域搜索（LNS）和基于优先级的搜索（PBS）算法，实验结果表明，相比现有的完整 MAPD 算法 CENTRAL 和可扩展的 MAPD 算法 HBH+MLA*，LNS-PBS 与 LNS-wPBS 不仅在效率和稳定性上更优，而且能够有效地处理成千上万的任务和代理。

    Aug, 2022

  • 大规模仓库中的双层多智能体取送货：多机器人重排布

    介绍了一个新的问题，由 MAPF-DECOMP 解决了自动仓库中的 DD-MAPD 问题，该问题将多机器人货架重排问题建模，可以在大规模实例中以高效和高质量的方式获得解决方案。

    Apr, 2023

  • 交通流优化对于终生多智能体路径规划

    多智能体路径规划（Multi-Agent Path Finding）是机器人领域的一个基本问题，该研究提出了一种新方法来解决这个问题，该方法通过引导智能体按照避免拥堵的路径前往目的地，有效提高了解决方案质量，并在整体通量方面取得了显著改进。

    Aug, 2023

  • 面向终身多智能体路径规划的公路研究

    本文主要研究如何在 lifelong MAPF 中使用 highway 方法解决地图规模增大、密度增大等问题，以减少 deadlocks 现象并优化 throughput，实验证明 runtime 得到改进。

    Apr, 2023

  • 使用临时优先级的优先级继承解决多智能体取送问题的死锁自由方法

    本文提出了一种方法，将优先级继承与回溯（PIBT）方法扩展到更一般的环境中，以解决多智能体取送问题（MAPD 问题），该方法允许在一定范围内存在树形路径，防止死锁，并通过与标准方法的比较表明，其效率非常高。

    May, 2022

  • 缩放终身多智能体路径规划到更现实的环境中：研究挑战与机遇

    多智能体路径规划是将多个智能体从起点移动到目标点而无碰撞的问题，终身智能体路径规划通过不断为智能体分配新目标进一步扩展了多智能体路径规划。本文概述了三个主要的研究挑战，包括寻找在有限的规划时间内（例如，每步 1 秒）为大量智能体（例如，10,000 个）或极高智能体密度（例如，97.7%）搜索高质量的终身智能体路径规划（LMAPF）解决方案的挑战，缓解拥堵和短视行为在 LMAPF 算法中的影响的挑战，以及弥合文献中使用的 LMAPF 模型和实际应用之间的差距的挑战。

    Apr, 2024

  • 多智能体造地：通过环境操作实现高效多智能体路径规划

    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

  • 大规模仓库中的终身多智能体路径规划

    本文研究了在大型自动化仓库等场景下，智能体不断需要寻找新的目标点的长期多智能体路径规划问题。我们提出了一种新的解决方案，Rolling-Horizon Collision Resolution 框架，通过将问题分解成一系列窗口 MAPF 实例来解决，其中窗口 MAPF 解决器仅在有限时间范围内解决智能体路径的冲突，并忽略其外的冲突。我们通过模拟仓库实例，经验性地评估了 RHCR，并与各种 MAPF 解算器进行了比较，在多达 1000 个智能体的情况下（= 地图上 38.9％的空单元格），RHCR 可以产生高质量的解决方案，显着优于现有工作。

    May, 2020