Jan, 2023

使用有界次优图形转换器加速多智体规划

PDF
TL;DR该论文提出了一种名为 Graph Transformer 的学习组件，作为加速规划的启发式函数，证明了其完备性和有限次最优性，同时经实验证明，在相对少的代理问题实例中训练的 Graph Transformer 可以很好地推广到更多代理的问题实例中，并且性能优于现有方法。
conflict-based searchmulti-agent path findingheuristicsgraph transformerlearning-based component
发现论文，激发创造
  • TransPath：通过 Transformer 学习基于网格的路径搜索算法启发式

    本文提出了一种使用神经网络学习实例依赖的启发式代理来提高在障碍物环境下的 A * 算法性能的方法，并针对该算法进行了全面实验评估，结果表明该算法在减少计算量和保证较小的解代价方面具有优异的性能。

    Dec, 2022

  • 多机器人路径规划中的子图结构利用

    本文提出两种机器人路径规划算法：抽象化方法和优先级计划算法，证明了前者的完备性和正确性，并演示了将它们组合起来的单一算法的实际效果。

    Oct, 2011

  • 多智能体变压器加速 RL 以满足 STL 规范

    我们提出了一种基于时间依赖多智能体变压器的中心化方法，能够有效地解决在多智能体问题中存在的时间依赖性，并且在两个问题上显著优于文献基准算法。

    Mar, 2024

  • 自适应节点采样的层次图形 Transformer

    本文提出针对当前图表示学习中的问题，通过将节点采样策略的优化进行对抗式强化学习，以及引入一种新的分层注意力方案，来提高图卷积网络（Graph Transformer）的性能，实验结果显示了新方法的优越性。

    Oct, 2022

  • 可微空间规划：基于 Transformer 的实现

    利用数据中的统计规律，我们提出了空间规划变换器 (SPT)，通过学习障碍地图生成长程空间相关的行动来规划移动路径，实现了比先前数据驱动规划方法更好的算法，能够适应不同的障碍地图和任务目标。

    Dec, 2021

  • 基于超图的多机器人任务和运动规划

    该研究提出一种基于超图的多机器人任务和动作规划方法，将规划空间分解为互相独立的空间子集，使得规划时间相对于已有方法加速了三个数量级，并且展现了该方法在其他多机器人任务和动作规划问题上的有效性。

    Oct, 2022

  • 神经符号变压器用于多智体通信

    研究如何在多智能体规划问题中推断通信结构，以最小化通信量，并提出了一种结合程序化通信策略和变压器策略网络的神经符号变压器算法，能够生成低程度通信图并保持接近最优性能。

    Jan, 2021

  • 通过利用在线生成的经验，加速多机器人操作的搜索规划

    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

  • 使用 Transformer 解决团队定向问题

    通过基于集中式 Transformer 神经网络的多智能体路径规划系统，能够以非常快速且准确的方式解决团队定向问题，并在计算速度方面超过大多数现有技术。

    Nov, 2023

  • 多机器人任务分配中带有学习激励函数的大图匹配加权

    该论文介绍了一种使用图强化学习 (GRL) 框架来学习多机器人任务分配 (MRTA) 的启发式或激励的方法，其中使用胶囊注意力策略模型来学习如何赋予任务 / 机器人配对 (边) 在将任务集与机器人集连接的二分图中的权重。该方法与使用专家指定启发式的原始二分图匹配方法性能相当，但具有显著的鲁棒性优势。在训练过程中，学到的激励策略与专家指定的激励策略初始接近，然后稍微偏离其趋势。

    Mar, 2024