Jan, 2023

多智能体路径规划中，基于反例指导的抽象精炼与未经精炼的抽象

PDF
TL;DR提出了一种基于 CEGAR 和 SAT 的新型多智能体路径规划求解器，该求解器在保持一些抽象不加细化的同时，需要进行后处理来修正其与正确路径规划解决方案的轻微差异，从而实现了比以前的方法更小的 SAT 编码，加快了整个求解过程，使 SAT 求解器在相关基准测试中具有竞争力。
发现论文，激发创造
  • 多智能体路径规划的启发式编译

    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

  • 基于冲突的可解释多智能体路径规划搜索

    本文利用冲突基础搜索算法处理可解释多智能体路径规划问题，并探讨了计划时间与可解释性之间的权衡。

    Feb, 2022

  • 使用抽象细化进行程序合成

    通过使用抽象语义和基于树自动机的迭代精化方法，我们提出了一种高效的程式合成方法，并在字符串和矩阵转换领域中取得了比现有技术更好的结果。

    Oct, 2017

  • 通用规划用于抽象推理语料库

    通过将 ARC 问题转化为广义规划问题，我们引入了 ARC 求解器 GPAR，采用指针的规划程序来解决 ARC 问题，利用表示对象中心抽象的外部函数结合标准规划域定义语言（PDDL）来表达每个 ARC 问题，并通过领域知识来扩展 GP 求解器，实验结果表明 GPAR 在 ARC 的对象中心任务上表现优于最先进的求解器，展示了 GP 的有效性和 PDDL 对建模 ARC 问题的表达能力。

    Jan, 2024

  • 通过图嵌入的最优多智能体路径规划算法选择

    多智能体路径规划问题（MAPF）是寻找多个智能体不发生碰撞的路径的问题，该研究论文提出了一种基于图嵌入的解决方案，称为 MAPF 算法选择图嵌入（MAG），通过对 MAPF 问题进行图形编码并利用现代图嵌入算法，该方法在多个 MAPF 算法选择任务上表现出与现有方法相当或显著更好的性能。

    Jun, 2024

  • 多模态多智能体路径规划的解释生成与最优资源利用基于答案集编程

    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

  • 多智能体路径规划搜索的配对对称性推理

    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

  • 抽象与推理语料库的图形、约束和搜索

    本文提出一种基于图形抽象的对象中心框架，使用 DSL 进行程序综合，引入了约束获取、状态哈希和禁忌搜索，成功的解决了 ARC 的复杂对象中心任务，并生成了正确而易于理解的程序。

    Oct, 2022

  • 基于模型无关的 SAT 方法的符号解释枚举

    文章提出一种基于模型不可知和 SAT 的方法生成符号解释，实验结果表明该方法可以提供充分原因和反事实解释。

    Jun, 2022

  • 多智能体路径规划在实际场景中的泛化

    讨论多智能体路径规划在现实世界场景中通用的问题和四个 解决方向，并强调解决这些问题的重要性，反对仅仅开 发更快的标准 MAPF 问题求解方法。

    Feb, 2017