多智能体路径规划搜索的配对对称性推理
本文介绍了多机器人路径规划问题中考虑异常情况的 k-Robust Conflict-Based Search 算法,以及引入对 k-robust 规划特定的对称性约束可以有效地找到冲突代理的兼容和最优路径,在多个领域中的应用效果较好,包括传统的 MAPF 基准测试,自动化仓库领域和最近推出 Flatland 挑战的铁路领域。
Feb, 2021
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
多智能体路径规划中的任意角路径规划问题,利用连续冲突搜索算法和安全区间路径规划算法的最优算法及其可行解空间分割和多约束技术,能解决比传统组合更多的问题。
Apr, 2024
该论文旨在通过提供统一的术语来描述常见的 MAPF 假设和目标,并指向两个 MAPF 基准,介绍了一个新的基于网格的 MAPF 基准,并试验性地证明它对当代 MAPF 算法提出了挑战。
Jun, 2019
本文提出了一种 Precedence Constrained Conflict Based Search (PC-CBS) 算法,用于解决 Precedence Constrained Multi-Agent Path Finding (PC-MAPF) 问题,算法在仓库装配和多智能体取送货问题中表现优异。
Feb, 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
我们介绍了可扩展的多智能体路径规划的机制设计问题,并提出了三种不可否认策略的机制,其中两种甚至使用了近似的多智能体路径规划算法。我们在实际应用中测试了这些机制,问题规模从几十到数百个智能体。研究结果表明,与简单基准相比,它们可以提高整体效益。
Jan, 2024
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