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
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
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
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
我们考虑投射在图上的匿名多智能体路径规划(AMAPF)问题,给定了一组目标顶点,每个顶点必须被某个智能体到达。本文针对寻找使得最短耗时的目标 - 智能体分配方案和无碰撞路径的问题,通过将其转化为特殊类型的图搜索问题,即在输入图引导下寻找最大流问题来求解。然后,我们提出了一种利用批量搜索状态的特定搜索算法,将搜索空间压缩、存储和扩展为单一状态,从而显著降低了运行时间和内存占用。实验证明,该 AMAPF 求解器在 30 秒内能够解决所有公开可用的来自知名 MovingAI 基准的 MAPF 实例,并表现出卓越的性能优势。
Dec, 2023
该研究探讨优先规划在多智能体路径规划中的应用,提出了基于冲突驱动的组合搜索框架,在实验中展示了其解决方案的先进性和成功率,并首次探讨了优先规划的完整性和最优性的局限性。
Dec, 2018
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
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
本文旨在引入一组方法和可视化工具,以帮助 MAPF 社区建立最新 MAPF 性能的清晰指标,并促进 MAPF 求解器之间的大规模比较,以降低新研究人员进入门槛,并进一步推动 MAPF 研究,以便更清楚地了解该领域的进展和主要挑战。
对现代算法的评估表明,针对多机器人系统的多智能体路径规划是解决自动仓库实现,火车调度和非完整机器人导航等多个应用领域重要方面的关键技术。
Jun, 2022