Apr, 2024

缩放终身多智能体路径规划到更现实的环境中：研究挑战与机遇

PDF
TL;DR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。
multi-agent path findinglifelong mapfresearch challengeshigh-quality solutionscongestion
发现论文，激发创造
  • 交通流优化对于终生多智能体路径规划

    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

  • 学习跟随：基于规划和学习的去中心化多智能体路径规划

    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

  • 缓存增强的终身多智能体路径规划

    本文介绍了一种名为 Caching-Augmented Lifelong MAPF（CAL-MAPF）的新机制，用于改善 Lifelong MAPF 的性能，并通过实验证明了在某些任务分布、地图和代理配置下，CAL-MAPF 具备提升性能的潜力。

    Mar, 2024

  • 大规模仓库中的终身多智能体路径规划

    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

  • 面向终身多智能体路径规划的公路研究

    本文主要研究如何在 lifelong MAPF 中使用 highway 方法解决地图规模增大、密度增大等问题，以减少 deadlocks 现象并优化 throughput，实验证明 runtime 得到改进。

    Apr, 2023

  • 多智能体路径规划进展跟踪

    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

  • 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

  • 含延迟概率的多智能体路径规划

    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：定义、变体和基准测试

    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

  • 利用经验的终身多智能体路径规划

    本文介绍了一种多机器人路径规划算法的新方法 exRHCR，该算法利用先前任务的解决方案来加速新的任务的解决，实验表明，exRHCR 相对于 RHCR 的解决速度提高了 39％，可以在给定时间预算内处理更多的机器人，从而提高了系统的吞吐量。

    Feb, 2022