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
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
通过提出两种最优算法,基于减少 MAPF-DL 的流问题和后续抽象的多种商品流网络的紧凑整数线性规划和基于新的组合搜索算法,我们正式规范具有截止日期的多智能体路径规划问题。
Jun, 2018
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
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
本研究通过对二维网格中时间最优多智能体路径规划的细粒度复杂性分析,揭示了新的可解性界限,并在只有两个方向时,提出了找到最优解的有效算法,从而帮助指导算法设计。
May, 2023
通过改进LaCAM*的算法,本文提出了几种改进技术,以扩展多智能体路径规划算法(MAPF),改进后的算法显著提高了解决方案的质量,进一步推动了MAPF算法的发展。
Aug, 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
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
使用基于多臂赌博机的双层方案进行在线学习,该方法能够在大规模情景下比目前最优的任意时刻多智能体路径规划方法提升至少50%的成本效益。