Multi-agent Motion Planning from Signal Temporal Logic Specifications
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Massachusetts Institute of Technology(麻省理工学院)
我们解决了具有挑战性的问题,多智能体合作运动规划的复杂任务,使用信号时序逻辑(STL),机器人可以有非线性和非完整动力学。多智能体运动规划中的现有方法,特别是基于离散抽象和模型预测控制(MPC)的那些方法,在任务的复杂性、工作空间的大小和规划范围方面遭受有限的可扩展性。针对这一问题,提出了一种基于{ \em定时航路点\/}的方法。我们发现,定时路点可以帮助抽象的非线性行为的系统作为安全信封周围的参考路径定义的这些路点。然后搜索满足STL规范的航路点可以归纳编码为一个混合整数线性规划。智能体按照合成的定时航路点自动分配任务,并保证满足STL规范,同时避免冲突。我们评估的算法在各种各样的基准。结果表明,它支持多智能体规划从复杂的规格在长期的规划视野,并显着优于国家的最先进的抽象为基础的和基于MPC的运动规划方法。该实现可在https://github.com/sundw2014/STLPlanning上获得。
2022-01-13 cs.MA cs.RO cs.SY
Receding Horizon Motion Planning for Multi-Agent Systems: A Velocity Obstacle Based Probabilistic Method
NUS Graduate School for Integrative Sciences and Engineering(新加坡国立大学综合科学与工程研究生院);National University of Singapore(新加坡国立大学);University of California, Berkeley(加州大学伯克利分校);Temasek Laboratories(淡马锡实验室)
在本文中,一种新颖的和创新的方法,可行的运动规划的多智能体系统的发展。基于速度障碍物的特性,在滚动时域控制(RHC)问题中引入机会约束,并利用碰撞锥的几何信息为宿主智能体生成速度可行域.通过这种方法,运动规划在速度级而不是位置级进行。因此,它保证了多智能体系统,特别是具有高速移动的智能体的系统的一个更安全的无碰撞的轨迹。此外,在运动规划过程期间可以满足潜在碰撞的概率阈值。为了验证该方法的有效性,不同的情况下,多个代理进行了调查,仿真结果清楚地表明,该方法可以有效地避免潜在的冲突与碰撞概率小于一个特定的阈值。
2021-03-24 cs.MA cs.RO cs.SY
A Novel Knowledge-Based Genetic Algorithm for Robot Path Planning in Complex Environments
University of Guelph(圭尔夫大学)
提出了一种新的基于知识的遗传算法用于非结构化复杂环境中移动机器人的路径规划,该算法设计了5个针对具体问题的算子,以实现高效的机器人路径规划。建议的遗传算法将机器人路径规划的领域知识纳入其专门的运营商,其中一些还结合了局部搜索技术。提出了一种独特而简单的机器人路径表示方法,并提出了一种简单而有效的路径评价方法,该方法能准确地检测出碰撞,并能很好地反映机器人路径的质量。该算法能够找到一个接近最优的机器人路径在静态和动态的复杂环境。仿真研究表明了该算法的有效性和效率。通过比较研究,证明了专用遗传算子在解决机器人路径规划问题的遗传算法中不可替代的作用。
2022-09-03 cs.AI cs.RO cs.SY
Fault-Tolerant Offline Multi-Agent Path Planning
Tokyo Institute of Technology(东京工业大学);Sorbonne University(索邦大学);CNRS(法国国家科学研究中心);Institut Universitaire de France(法国大学研究院)
我们研究了一种新的图形路径规划问题的多个代理,可能会在运行时崩溃,并阻止部分工作空间。在我们的设置中,代理可以检测相邻的崩溃代理,并在运行时改变所遵循的路径。然后,目标是为每个代理准备一组路径和切换规则,确保所有正确的代理到达目的地而不会发生冲突或死锁,尽管其他代理发生意外崩溃。这样的规划对于建立可靠的多机器人系统是有吸引力的。我们提出了问题的形式化、理论分析(例如计算复杂性)以及如何解决这个离线规划问题。
2022-11-25 cs.AI cs.MA cs.RO
Multi-agent Gaussian Process Motion Planning via Probabilistic Inference
University of Zagreb Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
本文讨论了多智能体的运动规划问题,将其表示为每个智能体轨迹的同时优化问题。每个轨迹被认为是从一个一维的连续时间高斯过程(GP)所产生的线性时变随机微分方程的白噪声驱动的样本。通过将规划问题公式化为因子图上的概率推理,可以利用相关GP的结构来使用数值优化有效地找到解决方案。与单独规划每个代理的轨迹相比,仅考虑其他代理的当前姿势,我们提出了以预测方式工作的多个轨迹的同时规划。它考虑到每个代理的行踪在未来的每一个时刻的信息,因为每个代理的完整轨迹是在一个单一的优化过程中共同发现的。我们比较所提出的方法,一个单独的轨迹规划方法,成功率和计算效率显着改善。
2018-06-20 cs.RO
Research on the mobile robots intelligent path planning based on ant colony algorithm application in manufacturing logistics
Ningbo University of Technology(宁波工程学院)
随着机器人技术和人工智能领域的发展不断深入,路径规划作为机器人计算的一个重要领域得到了广泛的关注。本文分析了机器人和路径规划算法的发展现状,重点分析了传统智能路径规划和路径规划的优缺点。利用蚁群算法对移动机器人路径规划问题进行了研究,并给出了一些求解方法。
2014-01-07 cs.RO
Dynamic Curvature Constrained Path Planning
本研究开发并评估了二维空间下的动态曲率约束路径规划算法DCCPPA,通过与RRT、PRM对比验证其性能与适应性,展现了其在多领域实际路径规划问题中的应用潜力。
2024-10-04 cs.RO
Path Planning Games
Vanderbilt University(范德堡大学)
路径规划是机器人控制中的一个基本和广泛探索的问题。我们提出了一个新的经济角度的路径规划。具体来说,我们研究战略之间的互动路径规划代理使用博弈论路径规划框架。我们的重点是两个重要目标之间的经济紧张关系:代理人实现其目标的效率和安全性。我们首先开发一种新的数学公式的路径规划,权衡这些目标,当其他代理的行为是固定的。然后,我们使用这个公式近似纳什均衡的路径规划游戏,以及开发一个多智能体合作的路径规划制定。通过几个案例研究,我们表明,在一个路径规划游戏,安全性往往是显着妥协相比,合作的解决方案。
2019-10-30 cs.AI cs.GT cs.MA
Offline Time-Independent Multi-Agent Path Planning
Tokyo Institute of Technology(东京工业大学)
本文研究离线时间无关的多智能体路径规划(OTIMAPP)问题,旨在为智能体分配路径使其在异步运行且不共享资源时仍能无阻塞到达目标,并给出了解决条件、计算复杂度、求解器及机器人应用。
2023-04-08 cs.MA cs.RO
Optimal path planning of multi-agent cooperative systems with rigid formation
Georgia Institute of Technology(佐治亚理工学院)
本文研究刚性编队多智能体系统的最优路径规划,基于庞特里亚金最小值原理设计控制器,证明各智能体最优控制等价于质心最优控制,从而简化原问题。
2023-09-15 cs.RO
Mobile Robot Path Planning in Dynamic Environments: A Survey
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));The Chinese University of Hong Kong(香港中文大学);The University of British Columbia(不列颠哥伦比亚大学)
在人口密集的动态环境中,机器人导航面临许多挑战。本文综述了密集环境下机器人导航的路径规划方法。特别地,移动机器人导航框架中的路径规划从规划范围和可执行性两个方面考虑,分为全局路径规划和局部路径规划。在此框架内,路径规划方法的最新进展,在文件中,同时检查他们的优点和缺点。值得注意的是,最近开发的速度障碍法及其变种,作为当地的规划者进行了全面的分析。此外,作为当前机器人应用中广泛使用的无模型方法,本文详细介绍了基于强化学习的路径规划算法。
2021-03-22 cs.RO
Cooperative Multi-Agent Path Finding: Beyond Path Planning and Collision Avoidance
Technion(以色列理工学院)
我们介绍了合作多智能体路径寻找(Co-MAPF)问题,经典的MAPF问题的扩展,其中合作行为被纳入。在这种设置中,一组自主智能体在共享环境中操作,并且必须完成协作任务,同时避免与组中的其他智能体发生冲突。这个扩展自然地模拟了许多现实世界的应用程序,其中需要多组代理进行协作以完成给定的任务。为此,我们对Co-MAPF问题进行了形式化,并引入了基于冲突的协作搜索(Co-CBS),这是一种基于CBS的算法,用于为广泛的Co-MAPF问题最佳地解决该问题。Co-CBS使用集成到CBS中的协作规划模块,使得协作规划与路径规划解耦。最后,我们提出了实证结果几个MAPF基准证明我们的算法的属性。
2021-05-23 cs.AI cs.MA cs.RO
Cooperative Motion Planning for Non-Holonomic Agents with Value Iteration Networks
Daimler R&D(戴姆勒研发中心);FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
协作运动规划仍然是机器人面临的一个具有挑战性的课题。最近,价值迭代网络(VIN)被提出来建模运动规划任务作为神经网络。在这项工作中,我们扩展VIN解决非完整约束下的合作规划任务。为此,我们将多个VIN互连,以尊重彼此的输出。通过迭代梯度下降生成合作策略。仿真验证表明,所得到的网络可以解决非完整运动规划问题,需要合作。
2017-09-15 cs.MA cs.RO
PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms
Imperial College London(伦敦帝国理工学院);Ryerson University(瑞尔森大学)
路径规划是移动机器人技术中的一个重要组成部分。存在各种各样的路径规划算法,但很少有人尝试对算法进行整体基准测试或统一它们的接口。此外,随着深度神经网络的最新进展,迫切需要促进这种基于学习的规划算法的开发和基准测试。本文介绍了PathBench,一个平台,用于开发,可视化,培训,测试和基准测试现有和未来的,经典的和学习的2D和3D路径规划算法,同时提供支持机器人操作系统(ROS)。支持许多现有的路径规划算法;例如A*,波前,快速探索随机树,值迭代网络,门控路径规划网络;并且集成新算法很容易并且明确指定。我们通过比较实现的经典和学习算法的指标,如路径长度,成功率,计算时间和路径偏差的基准测试能力的PathBench。这些评估是在内置的PathBench地图和来自视频游戏和现实世界数据库的外部路径规划环境中完成的。PathBench是开源的。
2021-05-04 cs.LG cs.RO
Informed Guided Rapidly-Exploring Random Trees*-Connect for Path Planning of Walking Robots
Poznan University of Technology(波兹南理工大学)
在本文中,我们处理步行机器人的全身路径规划问题。在多维空间中定义了步行机器人的状态。路径规划需要定义脚和机器人身体的路径。此外,规划者应该检查多个约束,如静态稳定性,自碰撞,与地形的碰撞,以及腿的工作空间。结果,检查潜在路径的可行性是耗时的并且影响规划方法的性能。在本文中,我们验证了基于采样的规划器在步行机器人的路径规划任务的可行性。我们确定了现有规划者的长处和短处。最后,我们提出了一种新的规划方法,提高了足式机器人的路径规划性能。
2023-03-06 cs.RO
Lifelong Path Planning with Kinematic Constraints for Multi-Agent Pickup and Delivery
University of Southern California(南加州大学)
多代理拾取和交付(MAPD)问题模型的应用程序中,大量的代理出席传入拾取和交付任务的流。令牌传递(TP)算法是近年来提出的一种高效的MAPD算法。我们使用一种新的组合搜索算法,称为安全间隔路径规划与保留表(SIPPWRT),单代理路径规划TP更高效和有效的。SIPPWRT使用高级数据结构,允许在线设置中快速更新和查找所有代理的当前路径。由此产生的MAPD算法TP-SIPPWRT考虑到实际机器人的运动学约束直接在规划过程中,计算连续的代理运动与给定的速度,工作在非完整的机器人,而不是离散的代理运动与均匀的速度,是完整的形式良好的MAPD实例。我们证明了它的好处,自动化仓库使用代理模拟器和标准的机器人模拟器。例如,我们证明了它可以在几秒钟内为数百个代理和数千个任务计算路径,并且比现有的MAPD算法更高效和有效,该算法使用后处理步骤以使其路径适应具有给定速度的连续代理移动。
2018-12-15 cs.AI cs.RO
Systematic Comparison of Path Planning Algorithms using PathBench
Ryerson University(瑞尔森大学);Imperial College London(帝国理工学院)
路径规划是移动机器人的重要组成部分。经典的路径规划算法,如波前和快速探索随机树(RRT)被广泛应用于自主机器人。随着机器学习的发展,基于学习的路径规划算法得到了快速的发展。一个统一的路径规划接口,促进现有的和新的算法的开发和基准测试是必要的。本文介绍了PathBench,现有的和未来的,经典的和基于学习的路径规划算法在2D和3D网格世界环境中的开发,可视化,培训,测试和基准测试的平台。支持许多现有的路径规划算法;例如,A*,Dijkstra,路点规划网络,值迭代网络,门控路径规划网络;并且集成新算法很容易且明确规定。本文通过比较五种不同硬件系统和三种不同地图类型(包括内置PathBench地图、视频游戏地图和来自真实世界数据库的地图)的算法,探讨了PathBench的基准测试能力。使用路径长度、成功率和计算时间等参数来评估算法。还对真实世界的机器人进行了性能分析,以证明PathBench对机器人操作系统(ROS)的支持。PathBench是开源的。
2022-03-07 cs.AI cs.RO
Multi-Agent Path Planning in Complex Environments using Gaussian Belief Propagation with Global Path Finding
Aarhus University(奥胡斯大学)
提出结合高斯置信传播与跟踪因子的多智能体路径规划方法,确保全局路径遵循,仿真显示路径偏差降低28%(单智能体)和16%(多智能体)。
2025-02-27 cs.MA cs.RO
Multi-Agent Path Planning with Asymmetric Interactions In Tight Spaces
University of Toronto(多伦多大学);Texas A&M University(德州农工大学)
从运动基本上是一个决策问题的假设出发,我们使用世界线的概念,从狭义相对论的启发,一种新的多智能体路径规划方法。我们已经确定了一组特殊的问题,到目前为止被忽视的以前的作品。我们提出了我们的解决方案,为每个代理的全局路径规划问题,并确保顺利本地避碰的每对代理在现场。我们通过将代理的轨迹建模为2D空间和时间的3D曲线来实现这一点。全局路径规划是使用修改后的Replikstra算法来解决的,以确保代理的初始轨迹不相交。然后,我们使用拟牛顿内点求解器求解平滑的局部轨迹,为轨迹曲线提供半径,将其变成杆。随后,解决杆的碰撞确保没有两个代理同时处于相同的空间位置。这种时空公式使我们能够模拟以前被忽视的现象,如在非常有限的环境中高度不对称的相互作用。它还为具有不自然对称代理对齐的场景提供了解决方案,而不需要抖动代理位置或速度。
2022-04-01 cs.GR cs.RO
A Pareto Front-Based Multiobjective Path Planning Algorithm
Carnegie Mellon University(卡内基梅隆大学)
路径规划是移动机器人技术中最重要的环节之一。利用环境的先验知识,全局路径规划提供了通过工作空间的无碰撞路线。全局路径规划可以用各种知情的搜索算法来计算,最值得注意的是A* 搜索方法,保证提供一个完整的最佳解决方案,使路径成本最小化。路径规划优化通常着眼于最小化从起点到目标的距离,但许多移动机器人应用程序需要额外的路径规划目标,提出了多目标优化(MOO)问题。过去的研究已经将遗传算法应用于MOO路径规划问题,但这些方法可能存在计算复杂性和次优解的缺点。或者,本文中的算法接近MOO路径规划与使用帕累托前沿,或寻找非支配的解决方案。该算法将Pareto最优性融入到A* 搜索的每一步中,称为A*-PO算法。仿真结果表明,A*-PO优于几个变种的标准A* 算法的MOO路径规划。增加了一个行星探测车案例研究,以证明A*-PO在现实世界中的应用的可行性。
2015-05-22 cs.AI cs.RO
Efficient Path Planning In Manipulation Planning Problems by Actively Reusing Validation Effort
University of Stuttgart(斯图加特大学);TU Berlin(柏林工业大学)
在操纵规划和任务及运动规划设置中出现的路径规划问题通常是重复的:同一操纵器在仅轻微改变的空间中移动。尽管有这种信息再利用的潜力,但很少有规划者充分利用现有的信息。为了更好地实现这种重用,我们将碰撞检查分解为可重用和不可重用的部分。然后,我们把操作规划中的路径规划问题的序列作为一个多查询路径规划问题。这允许使用规划器,主动地最小化多个查询的规划工作,并且通过这样做,主动地重用先前的知识。我们实现了这种方法在ESTO * 和努力有序LazyPRM*,并在多个模拟机器人的例子基准。此外,我们还表明,分解冲突检查的方法还可以在同一问题的多个不同实例上重用所获得的知识,即,在多查询操作规划场景中。规划者使用分解碰撞检查优于其他规划者在初始解决方案的时间高达两个因素,同时提供了类似的解决方案的质量。
2023-03-01 cs.RO
Optimal Vehicle Path Planning Using Quadratic Optimization for Baidu Apollo Open Platform
路径规划是自主车辆运动规划的关键组成部分。路径规定了车辆将行驶的几何形状,因此,它对车辆安全和舒适的运动至关重要。对于城市驾驶场景,自动驾驶车辆需要能够在混乱的环境中导航,例如,道路被一些车辆/障碍物部分堵塞。如何在复杂的环境中生成运动学上可行的、平滑的、能够避免碰撞的路径,使得路径规划成为一个具有挑战性的问题。在本文中,我们提出了一种新的二次规划方法,产生最佳路径的分辨率完全避免碰撞的能力。
2021-12-03 cs.RO
Conflict-Based Search as a Protocol: A Multi-Agent Motion Planning Protocol for Heterogeneous Agents, Solvers, and Independent Tasks
Carnegie Mellon University(卡内基梅隆大学);Tongji University(同济大学);UC Berkeley(伯克利大学)
本文提出了一种基于冲突的搜索协议,用于异构智能体的多智能体运动规划,利用多种单智能体规划算法实现无碰撞路径规划。
2026-03-05 cs.MA cs.RO
Safe POMDP Online Planning among Dynamic Agents via Adaptive Conformal Prediction
School of Engineering and Applied Science, University of Virginia(弗吉尼亚大学工程与应用科学学院);University of Oxford(牛津大学)
针对多动态智能体环境下 POMDP 在线规划的安全问题,提出利用 ACP 量化轨迹预测不确定性并即时构建安全屏障,在真实行人数据实验中兼顾回报与概率安全保证。
2024-09-06 cs.RO
Model predictive approach to integrated path planning and tracking for autonomous vehicles
National Institute of Informatics(国立信息学研究所);Hunan University(湖南大学)
在自主应用的路径规划问题中,现有的研究都是将自主车辆的路径规划和轨迹跟踪控制分开考虑,很少将轨迹规划和轨迹控制结合起来。为了填补这一研究空白,本研究提出了一种集成的轨迹规划和轨迹控制方法。本文还研究了考虑静态和动态障碍物的自主避碰问题。仿真结果表明了所提出的控制方法的有效性。
2019-05-09 cs.RO math.DS
Generative Multi-Robot Motion Planning via Diffusion Modeling with Multi-Agent Reinforcement Learning Guidance
School of Manufacturing Systems and Networks, Arizona State University, Mesa, AZ(1制造系统与网络学院,亚利桑那州立大学,梅萨,AZ);Michael W. Hall School of Mechanical Engineering, Mississippi State University, Starkville, MS(2迈克尔·W·霍尔机械工程学院,密西西比州立大学,斯塔克维尔,MS)
提出一种结合扩散模型与多智能体强化学习的框架,通过值函数引导反向扩散过程实现交互感知的轨迹生成,降低多机器人冲突率。
2026-05-30 cs.RO
Generating and Optimizing Topologically Distinct Guesses for Mobile Manipulator Path Planning with Path Constraints
Division of Decision and Control Systems, School of EECS, Royal Institute of Technology (KTH)(决策与控制系统系,电子工程与科学学院,皇家理工学院(KTH))
针对移动机械臂在路径约束下易陷入局部最优的问题,提出先发现多条同伦不同路径再分别优化的流程,以接近全局最优解。
2025-10-08 cs.RO
Monte-Carlo Robot Path Planning
Technische Universität Darmstadt(达姆施塔特工业大学);Aalto University(阿尔托大学)
路径规划是机器人行为设计的重要算法。基于采样的方法,如快速探索随机树(RRT)或概率路线图,是路径规划问题的主要算法解决方案。尽管它的指数收敛速度,RRT只能找到次优路径。另一方面,$\textrm{RRT}^*$,一个广泛使用的RRT的扩展,保证概率的完整性,找到最佳路径,但在实践中遭受在复杂的环境中缓慢的收敛。此外,现实世界的机器人环境往往是部分可观察的或描述不佳的动态,铸造应用程序的$\textrm{RRT}^*$在复杂的任务次优。研究了机器人路径规划中常用的蒙特卡罗树搜索(MCTS)算法。值得注意的是,我们研究蒙特卡罗路径规划(MCPP)的分析和证明,一方面,它的指数收敛速度的最优路径完全可观察的马尔可夫决策过程(MDP),另一方面,它的概率完备性,找到可行的路径在部分可观察的MDP(POMDP)假设有限的距离可观察性(证明草图)。我们的算法的贡献,使我们能够采用最近提出的MCTS的变种,不同的探索策略,机器人路径规划。我们的实验评估在模拟的2D和3D环境与7自由度(DOF)的机械手,以及在现实世界的机器人路径规划任务,证明了优越性的MCPP POMDP任务。
2022-08-04 cs.RO
Conflict-Based Search and Prioritized Planning for Multi-Agent Path Finding Among Movable Obstacles
Shanghai Jiao Tong University(上海交通大学)
本文针对可移动障碍物场景下多智能体路径规划(M-PAMO)这一未充分探索的难题,首次融合CBS、PP两种MAPF方法与单智能体规划器PAMO*求解,并通过多组实验验证了不同方法的优劣。
2025-09-30 cs.RO
Multi-Agent Motion Planning using Deep Learning for Space Applications
NASA Jet Propulsion Laboratory, California Institute of Technology(美国国家航空航天局喷气推进实验室,加州理工学院);University of Texas at Arlington(德克萨斯大学阿灵顿分校)
最先进的运动规划器无法扩展到大量系统。多智能体的运动规划是一个NP(non-deterministic polynomial-time)困难问题,计算时间随着智能体数量的增加而呈指数增长。这种计算需求是一个主要的绊脚石,运动规划的应用程序,未来的NASA任务,涉及成群的太空飞行器。我们应用深度神经网络将计算要求高的数学运动规划问题转换为基于深度学习的数值问题。我们发现,在具有多个代理的几个2D和3D系统中,可以使用基于深度学习的数值模型准确地复制最佳运动轨迹。基于深度学习的数值模型显示出卓越的计算效率,生成的计划比数学模型快1000倍。
2020-10-15 cs.AI cs.LG cs.RO
Heuristic Planner for Communication-Constrained Multi-Agent Multi-Goal Path Planning
Czech Technical University in Prague(布拉格捷克理工大学);Charles University(查理大学)
本文研究通信受限的多智能体多目标路径规划问题,提出基于图搜索的算法,使机器人在保持通信连通的前提下访问所有目标并最小化完成时间。
2024-12-18 cs.MA cs.RO
Simulating Coverage Path Planning with Roomba
覆盖范围路径规划涉及访问在有障碍物的环境中的每个未被占用的状态。在本文中,我们探讨了这个问题,在最初未知的代理环境中,为了模拟真空吸尘机器人的任务。对先前工作的调查显示,在应用学习来解决这个问题方面很少努力。在本文中,我们探索使用深度强化学习对覆盖路径规划问题进行建模,并将其与流行的真空清洁机器人Roomba的内置算法的性能进行比较。
2022-10-10 cs.AI cs.RO
CTRMs: Learning to Construct Cooperative Timed Roadmaps for Multi-agent Path Planning in Continuous Spaces
Tokyo Institute of Technology(东京工业大学);OMRON SINIC X(欧姆龙先尼克斯)
连续空间中的多智能体路径规划是一个具有重要现实意义的挑战性问题。一个有前途的方法是首先构建图近似的空间,称为路线图,然后应用多智能体寻路(MAPF)算法,以获得一组无冲突的路径。虽然传统的研究已经利用了为单代理规划开发的路线图构建方法,但我们如何构建有效适用于多代理的路线图,在很大程度上仍未探索。为此,我们提出了一个新的概念,称为合作定时路线图(CTRM)的路线图。CTRM使每个代理能够以考虑其他代理的行为以避免代理间冲突(即,为了构建CTRM,我们开发了一种机器学习方法,该方法从相关问题实例和合理解决方案的集合中学习生成模型,然后使用学习的模型对CTRM的顶点进行采样,以获得新的,以前看不见的问题实例。我们的实证评估表明,使用CTRM显着减少了规划工作与可接受的开销,同时保持成功率和解决方案的质量相比,传统的路线图建设方法。
2022-01-24 cs.LG cs.MA cs.RO
Information-Theoretic Abstractions for Planning in Agents with Computational Constraints
Georgia Institute of Technology(佐治亚理工学院);University of North Carolina, Charlotte(北卡罗来纳大学夏洛特分校)
在本文中,我们开发了一个框架,路径规划的抽象,不提供给代理先验,而是出现作为一个功能的可用计算资源。我们展示了如何在一个环境中的路径规划问题可以系统地近似解决一系列更容易解决的问题上的抽象的原始空间。对问题的性质进行了分析,并给出了一些理论结果和讨论。一个数值例子来显示该方法的实用性和证实的理论研究结果。最后,我们提供了一个讨论,详细介绍了所提出的方法,随时算法和有限理性的连接。
2021-02-23 cs.AI cs.IT cs.RO
Reachability and Coverage Planning for Connected Agents: Extended Version
Univ Rennes(雷恩大学);CNRS(法国国家科学研究中心);IRISA(雷恩计算机科学与应用数学研究所);Inria(法国国家信息与自动化研究所)
由于机器人在信息收集任务中的吸引力越来越大,我们研究了多智能体路径规划问题,其中智能体必须保持互连。我们通过一个拓扑图来建模一个区域,该拓扑图指定了代理的运动和连接约束。我们研究了理论上的复杂性的可达性和覆盖问题的一个舰队的连接代理的各类拓扑图。我们建立了这些问题的复杂性已知的类,并引入了一个新的类称为视线可移动图承认有效的算法。
2019-03-11 cs.AI cs.DS cs.MA