基于图的多机器人路径规划
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
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
通过利用冲突基础搜索算法的重复和增量特性,加速搜索算法的方法使其适用于多臂协调和复杂环境中的机器人操作,从而达到完整和有界的次优性保证。
Mar, 2024
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
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
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
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。
May, 2023
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
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