这篇论文提出了 FMAP（Forward Multi-Agent Planning），这是一种完全分布式的多智能体规划方法，它结合了规划和协调，并通过前向链式部分排序规划器在代理商联合探索计划空间，然后应用隐私模型进行通讯。实验表明，FMAP 是一种通用方法，能够高效地解决紧密耦合的领域问题和普遍问题，并且在解决国际计划竞赛基准的复杂规划任务方面优于当前 MAP 系统。

Jan, 2015

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

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

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

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

多个代理进行不同任务的公平审计时，协调有时可能对审计准确性有害，而不经协调的合作通常能取得良好的结果。实证研究在真实数据集上证实了这一观察，不经协调的合作的审计准确性与协调优化抽样的结果相当。

Feb, 2024

本文介绍了如何在 SAT 求解器中构建带有领域特定启发式信息的 MAPF 编码，并选择每个 agent 的备选路径来构建编码，实验结果表明这种启发式的 MAPF 求解器优于普通的 SAT 求解器。

Dec, 2022

本文研究多智能体路径规划问题，通过提出通用计划作为解决方案，并实现名为 ASP-MAUPF 的系统进行计算，从而找到每个代理的可行的通用计划，以确保不与其他代理发生冲突。

May, 2023

本文提出了一种名为 SocialMAPF 的路径规划算法，该算法适用于考虑代理人个体私人的激励因素的约束环境。我们使用机制设计提高了个体的私人效用和全局系统目标，从而使得机器人能够在考虑到自身私人激励情况下达到更高的整体效用。实验表明，这种算法比传统方法更加高效，而且机制设计算法还能应用于静态环境中，具有很高的研究价值。

Oct, 2022

使用分散化方法，本研究引入了可操作的多智能體路徑規劃演算法 (MAPP)，並經實驗證明，其比現有的 FAR 和 WHCA * 方法解決率更高。

Jan, 2014