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

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

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

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

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

本文研究了在大型自动化仓库等场景下，智能体不断需要寻找新的目标点的长期多智能体路径规划问题。我们提出了一种新的解决方案，Rolling-Horizon Collision Resolution 框架，通过将问题分解成一系列窗口 MAPF 实例来解决，其中窗口 MAPF 解决器仅在有限时间范围内解决智能体路径的冲突，并忽略其外的冲突。我们通过模拟仓库实例，经验性地评估了 RHCR，并与各种 MAPF 解算器进行了比较，在多达 1000 个智能体的情况下（= 地图上 38.9％的空单元格），RHCR 可以产生高质量的解决方案，显着优于现有工作。

May, 2020

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