基于冲突的可解释多智能体路径规划搜索
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
本文介绍了一种基于答案集编程的方法，用于解决涉及多模态转型模式的多智能体路径规划问题（mMAPF），并生成可解释性的解决方案、观察结果、最优路径以及不存在解决方案的查询。
Aug, 2020
本文针对多智能体路径规划中的对称性问题，提出了一种通过推理技术解决对称性问题的方法，并将其应用于 CBS 算法，实现了在性能和效率方面的显著提升。
Mar, 2021
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
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
该研究通过利用强化学习中用户定义的奖励函数来实现冲突搜索算法（CBS）和任务分配与路径规划，解决了具有优先和时间约束的任务分配与路径规划问题（TAPF-PTC）。通过实验证明，相对于 MARL 和适应性目标分配与路径规划（TAPF）方法，我们的算法 CBS-TA-PTC 有效地解决了具有优先和时间约束的高难度拆弹任务。
Feb, 2024
本文提出了两种新的拆分策略 (cost splitting 和 disjoint cost splitting)，用于解决 Multi-Objective Conflict-Based Search (MO-CBS) 算法中的重复搜索问题，并证明了这些拆分策略与 MO-CBS 既完整又最优。实验结果表明，disjoint cost splitting 是最佳的拆分策略，可将 MO-CBS 加速两个数量级并在各种情景下显著提高其成功率。
Nov, 2022
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