Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning
University of Pennsylvania(宾夕法尼亚大学);Stanford University(斯坦福大学)
本文针对去中心化无标签运动规划问题,提出基于图神经网络学习的策略,结合模仿学习与强化学习,在100个机器人上训练后可泛化至500个机器人,平均性能超越现有方法8.6%。
2024-09-29 cs.AI cs.RO cs.SY
Walking through Doors is Hard, even without Staircases: Universality and PSPACE-hardness of Planar Door Gadgets
研究证明在平面系统中通过门装置的可达性问题PSPACE难,且门装置可模拟其他运动规划装置,简化了以往游戏的复杂性证明。
2026-03-15 cs.CC cs.RO
Unlabeled Multi-Robot Motion Planning with Improved Separation Trade-offs
Department of Computer Science, Ben Gurion University(本· Gurion大学计算机科学系);Department of Mathematics and Computer Science, The Open University of Israel(以色列开放大学数学与计算机科学系)
本文提出了一种改进的多机器人运动规划算法,通过调整机器人与障碍物的分离距离,实现了更高效的路径规划,解决了密集环境下的分离折中问题。
2026-09-15 cs.CG cs.RO
Visual Representation Learning for Preference-Aware Path Planning
The University of Texas at Austin(德克萨斯大学奥斯汀分校);United States Army Research Laboratory (ARL)(美国陆军研究实验室)
部署在户外环境中的自主移动机器人必须考虑不同类型的地形,以确保安全(例如,更喜欢泥土而不是泥浆)和部署者偏好(例如,喜欢泥土小路而不是花坛)。大多数现有的解决方案,这种偏好感知路径规划问题使用语义分割从相机图像的地形类型进行分类,然后归因于每种类型的成本。不幸的是,这种方法存在三个关键限制--它们1)需要预先枚举离散地形类型,2)不能处理混合地形类型(例如,草土),以及3)需要昂贵的标记数据来训练视觉语义分割。我们介绍了视觉表示学习偏好感知路径规划(VRL-PAP),一种替代方法,克服了所有三个限制:VRL-PAP利用未标记的人类导航示范自主生成三元组学习视觉表示的地形是视点不变的,并在一个连续的表示空间编码地形类型。然后,将学习到的表示与相同的未标记的人类导航演示一起使用,以学习从表示空间到地形成本的映射。在运行时间,VRL-PAP从图像映射到表示,然后表示到成本,以执行偏好感知路径规划。我们提出了具有挑战性的户外环境的经验结果,证明VRL-PAP 1)能够成功地选择反映所展示的偏好的路径,2)在执行中与具有高度详细的手动注释地图的几何导航相当(不需要这样的注释),3)能够以最少的额外未标记演示推广到新的地形类型。
2021-09-18 cs.LG cs.RO
Effort Allocation for Deadline-Aware Task and Motion Planning: A Metareasoning Approach
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Ben-Gurion University of the Negev(内盖夫本-古里安大学);Sony AI(索尼人工智能)
针对机器人任务与运动规划的截止期限约束及时间不确定性问题,本研究提出建模为MDP的算力分配元推理方法,证明其NP难性,设计基于模型的DP_Rerun算法及无模型强化学习方案,DP_Rerun性能接近MCTS且计算耗时极低。
2024-10-08 cs.RO
Computational Complexity of Motion Planning of a Robot through Simple Gadgets
Carnegie Mellon University(卡内基梅隆大学);Google Inc.(谷歌公司)
我们发起了一个一般的理论分析的复杂性运动规划的一个机器人通过一个图形的“小工具”,每个有自己的状态,一组位置,并允许遍历的位置之间,可以依赖于和改变的状态。这种类型的设置是常见的许多机器人运动规划硬度证明。我们描述了一个自然简单的情况下的复杂性:每个小工具连接到四个位置在一个完美的匹配(但每个方向可以遍历或不在当前状态),有一个或两个状态,每个小工具遍历是立即撤消,小工具的位置连接的总是遍历的森林,可能限制,以避免在平面上的交叉。具体来说,我们表明,任何一个非平凡的四个位置的两个状态的小工具类型是足够的运动规划成为PSPACE完整的,而任何一组简单的小工具(有效地两个位置或一个状态)有一个多项式时间的运动规划算法。作为一个示例应用程序,我们的结果表明,运动规划游戏与“纺纱”是PSPACE完整的,建立一个新的硬方面塞尔达:甲骨文的季节。
2018-06-09 cs.CC cs.RO
Informative Path Planning for Location Fingerprint Collection
McMaster University(麦克马斯特大学)
基于指纹的室内定位方法由于所部署的接入点的高可用性以及与商用现成用户设备的兼容性而很有前途。然而,为了训练回归模型用于定位,需要广泛的现场调查以从目标区域收集指纹数据。在本文中,我们考虑的问题,信息路径规划(IPP),以找到最佳的步行现场调查的预算约束。位置指纹收集的IPP与著名的定向问题(OP)有关,但由于基于边缘的非加性奖励和重访,更具挑战性。考虑到IPP的NP难性,我们提出了两种启发式算法:贪心算法和遗传算法。我们通过实验数据收集从两个室内环境具有不同的特点,这两种算法具有较低的计算复杂度,一般可以实现更高的实用性和更低的定位误差相比,两个国家的最先进的方法OP的扩展。
2018-11-27 cs.RO
Bypassing or flying above the obstacles? A novel multi-objective UAV path planning problem
University of Haute-Alsace(上阿尔萨斯大学);University of Lille(里尔大学);CNRS(法国国家科学研究中心);Centrale Lille(里尔中央理工学院)
针对无碰撞离散无人机路径规划问题,提出了一种新的多目标整数规划模型。考虑到绕过障碍物或在障碍物上方飞行的可能性,本研究旨在同时最小化路径长度、能量消耗和最大路径风险。静态环境表示为3D网格单元。由于该问题的NP-难性质,几个国家的最先进的进化多目标优化(EMO)算法与定制的交叉和变异算子,以找到一组非支配的解决方案。结果表明,应用算法在解决几个生成的测试用例的有效性。
2020-04-12 cs.AI cs.RO eess.SP
Representation-Optimal Multi-Robot Motion Planning using Conflict-Based Search
Texas A&M University(得克萨斯农工大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
多智能体运动规划(MAMP)是指给定个体的起始和目标状态,为一组智能体计算可行路径的问题。鉴于MAMP的困难,大多数与多智能体系统相关的研究都集中在多智能体寻路(MAPF)上,它通过假设所有智能体共享空间的离散表示来简化问题。基于冲突的搜索算法(CBS)已被证明是在离散空间中生成最佳解决方案的一种易于处理的方法。然而,无论是CBS或其他离散MAPF技术不能直接应用于解决MAMP问题,因为假设共享离散表示的代理的状态空间。在这项工作中,我们解决MAMP问题,通过适应CBS的MAPF方案中发现的技术,在一个连续的空间中的异构代理更一般的问题。我们展示了多达32个代理的可扩展性团队,展示了处理多达8个高自由度机械手的能力,并计划为异构团队。在所有情况下,我们的方法都能显著加快规划速度,同时提供更高质量的解决方案。
2020-03-04 cs.RO
Learning Safe Unlabeled Multi-Robot Planning with Motion Constraints
University of Pennsylvania(宾夕法尼亚大学);Nuro(Nuro公司)
在本文中,我们提出了一种学习方法的目标分配和轨迹规划的无标签机器人在2D,充满障碍的机器人。更具体地说,我们解决了无标记的多机器人运动规划问题的运动约束的多智能体强化学习问题与一些稀疏的全球奖励。与以前的作品,制定一个全新的手工制作的优化成本或轨迹生成算法不同的机器人动态模型相比,我们的框架是一个通用的方法,适用于任意机器人模型。此外,通过使用速度障碍,我们设计了一个平滑的投影,保证碰撞的自由轨迹的所有机器人相对于他们的邻居和障碍。我们的算法的有效性,通过不同的模拟证明。
2019-07-11 cs.RO
Flow-Based Path Planning for Multiple Homogenous UAVs for Outdoor Formation-Flying
Chief Research Officer(首席研究员)
本文提出基于流网络的多无人机无碰撞路径规划方法,通过模拟和实验验证了其在户外编队飞行中的有效性。
2025-11-24 cs.RO
Path Planning for Minimizing the Expected Cost until Success
University of California Santa Barbara(加州大学圣巴巴拉分校)
考虑机器人在具有边成本的图上的一般路径规划问题,并且其中每个节点具有给定概率的成功或失败(相对于某些任务)的布尔值。目标是在图上为机器人规划一条路径,使预期成本最小化,直到成功。在本文中,我们的目标是对这个问题有一个基本的理解。我们首先展示了如何将这个问题最优地解决,将其制定为无限时域马尔可夫决策过程,但具有指数空间复杂度。然后,我们正式证明其NP-硬度。为了解决空间复杂度,我们提出了一个路径规划,使用博弈论的框架,渐近任意接近最优解。此外,我们还提出了两个快速和非近视路径规划。为了展示我们的框架的性能,我们对两种场景进行了广泛的模拟:火星上的漫游者正在寻找一个用于科学研究的物体,以及一个机器人正在寻找一个连接到远程站的点(来自旧金山市中心的真实数据)。我们的数值结果表明,现有的国家的最先进的方法有相当大的性能改善。
2018-08-20 cs.RO
Deep Visual Foresight for Planning Robot Motion
Google Brain(谷歌大脑);University of California, Berkeley(加州大学伯克利分校)
将机器人学习扩展到许多技能和环境的一个关键挑战是消除对人类监督的需求,以便机器人可以收集自己的数据并提高自己的性能,而不受请求人类反馈的成本的限制。基于模型的强化学习有望使智能体能够学习预测其行为的影响,这可以为各种任务和环境提供灵活的预测模型,而无需详细的人工监督。我们开发了一种将深度动作调节视频预测模型与使用完全未标记的训练数据的模型预测控制相结合的方法。我们的方法不需要校准的相机,仪器化的培训设置,也不需要精确的传感和驱动。我们的研究结果表明,我们的方法使一个真正的机器人执行nonpromisile操作-推动物体-并可以处理训练过程中没有看到的新对象。
2017-03-13 cs.AI cs.CV cs.LG
Graph Neural Planning and Predictive Control for Multi-Robot Communication-Constrained Unlabeled Motion Planning
New York University(纽约大学);University of California Berkeley(加州大学伯克利分校)
本文提出一种分层框架,结合图注意力规划器和分布式非线性模型预测控制器,以解决多机器人在通信受限环境下同时分配目标和生成安全轨迹的问题,通过图神经网络方法实现可扩展的去中心化解决方案。
2026-08-05 cs.MA cs.RO
Learning to Segment and Represent Motion Primitives from Driving Data for Motion Planning Applications
Beijing Institute of Technology(北京理工大学);CNRS-UM LIRMM(法国国家科学研究中心-蒙彼利埃大学机器人与微电子实验室)
开发能够执行类似人类动作的智能车辆需要能够从大量自然驾驶数据中学习基本驾驶技能。如果能将复杂的驾驶任务分解为运动基元来表示驾驶技能的基本组成,则算法将变得高效。因此,本文的目的是将未标记的轨迹数据分割成运动基元库。通过应用基于迭代期望最大化算法的概率推理,我们的方法在学习由动态运动基元表示的一组运动基元的同时对收集到的轨迹进行分段。该方法利用运动基元的分割和表示与基于驾驶的初始分割之间的相互依赖性。利用这种相互依赖性和初始条件,本文提出了如何提高分割和运动基元库建立的性能。我们还评估了原始表示方法对模仿学习和运动规划算法的适用性。利用北京理工大学智能汽车平台采集的驾驶数据对模型进行了训练和验证。实验结果表明,该方法可以在找到合适的分割点的同时建立运动基元库。
2018-09-17 cs.RO
Semidefinite Relaxations for Collision-Free Motion Planning
Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology(麻省理工学院电气工程与计算机科学系)
研究点机器人通过球形障碍物的无碰撞运动规划,提出半定松弛方法,理论分析其紧性并利用对称性降低计算复杂度,比直接非线性规划快10-100倍。
2026-06-15 cs.RO cs.SY eess.SY
Coordinated Motion Planning: Reconfiguring a Swarm of Labeled Robots with Bounded Stretch
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室);TU Braunschweig(布伦瑞克工业大学);University College Roosevelt(罗斯福大学学院)
我们提出了一些突破协调运动规划,其中的目标是重新配置一群标记的凸对象的组合成一个给定的目标安排的平行,连续,无碰撞的翻译。这类问题可以追溯到Schwartz和Sharir(1983)的经典著作,他们给出了一种方法来判断障碍物之间的一组圆盘是否存在协调运动;他们的方法在障碍物的复杂性方面是多项式的,但在圆盘的数量方面是指数的。其他以前的工作主要集中在{ \em顺序}的时间表,其中一个机器人移动的时间。我们提供了常数因子近似算法,用于最小化协调的执行时间,{ \em并行}运动计划的机器人群在没有障碍物的情况下,提供了一定量的可分性。我们的算法实现{ \em常数拉伸因子}:如果所有机器人从各自的起始位置至多是$d$单位,则整个调度的总持续时间为$O(d)$。扩展包括未标记的机器人和不同类别的机器人。我们还证明,找到一个计划,执行时间最短是NP-难的,即使是没有任何固定的障碍物的网格安排。另一方面,我们表明,密集的磁盘,不能很好地分离,拉伸因子$Ω(N^{1/4})$可能是必需的。在积极的一面,即使在这种情况下,我们也建立了$O(N^{1/2})$的拉伸因子。
2018-01-05 cs.CG cs.DS cs.RO
dRRT*: Scalable and Informed Asymptotically-Optimal Multi-Robot Motion Planning
Univ. of Michigan(密歇根大学);Rutgers Univ.(罗格斯大学);Tel Aviv Univ.(特拉维夫大学)
许多令人兴奋的机器人应用需要具有许多自由度的多个机器人,例如操纵器,以协调它们在共享工作空间中的运动。原则上,在这种情况下发现高质量的路径可以通过探索所有机器人的复合空间来实现。基于采样的规划器通过在相应的配置空间中构建路线图或树数据结构来实现这一点,并且可以实现渐近最优。然而,运动规划的难度使得在多个机器人的复合空间中明确地构造这样的结构是不切实际的。这项工作提出了一个可扩展的解决方案,这样的耦合多机器人问题,它提供了理想的路径质量保证,也是计算效率。特别是,建议的\drrtstar \是一个知情的,渐近最优的扩展先前的采样为基础的多机器人运动规划,\drrt。先前的方法引入了为每个机器人构建路线图的想法,并在复合空间中隐式地搜索这些结构的张量积。这项工作确定的条件收敛到最佳路径的多机器人问题,以前的方法没有实现。在此分析的基础上,\drrt \是第一次适当地适应,以实现理论保证,然后进一步扩展,以便利用有效的算法搜索时,所有机器人的复合空间。还研究了各种机器人共享某些自由度的情况。仿真结果表明,新算法\drrtstar \,收敛到高质量的路径迅速和规模,以更高的机器人数量的各种替代品失败。这项工作还展示了规划者解决涉及多个真实世界机器人手臂的问题的能力。
2019-03-03 cs.RO
Large-Scale Multirobot Coverage Path Planning on Grids With Path Deconfliction
School of Computing Science, Simon Fraser University(计算科学学院,西蒙弗雷泽大学)
研究4邻接2D网格上的多机器人覆盖路径规划问题,提出LS-MCPP框架结合ESTC范式与局部搜索直接在原网格上优化路径,并首次引入MAPF后处理技术解决冲突,实现高效高质量的现实应用求解。
2025-06-26 cs.AI cs.RO
Extracting Visual Plans from Unlabeled Videos via Symbolic Guidance
Department of Electrical Engineering and Automation, Aalto University(艾尔沃斯大学电气工程与自动化系);Department of Engineering and Computer Science, University of Trento(特伦托大学工程与计算机科学系)
提出Vis2Plan框架,利用符号引导从无标注视频中提取视觉计划,通过构建符号转移图生成物理一致的子目标图像,在真实机器人任务中成功率提升53%,速度提升35倍。
2025-08-07 cs.RO
PlaySlot: Learning Inverse Latent Dynamics for Controllable Object-Centric Video Prediction and Planning
Autonomous Intelligent Systems, Computer Science Institute VI – Intelligent Systems(智能系统);Robotics, Center for Robotics(机器人学);the Lamarr Institute for Machine Learning(拉马尔机器学习研究所);Artificial Intelligence, University of Bonn, Germany(人工智能,波恩大学,德国)
针对现有视频预测方法依赖精确动作标注、难以利用无标注视频的问题,提出以对象为中心的PlaySlot模型,可从无标注视频推断对象表征与潜在动作,生成多类未来场景,在视频预测任务上优于基线,还能高效学习机器人行为。
2025-05-21 cs.CV cs.RO
Neuro-Symbolic Skill Discovery for Conditional Multi-Level Planning
Department of Computer Science and Technology The University of Cambridge(计算机科学与技术系 剑桥大学);Department of Computer Engineering Bogazici University(计算机工程系 boazici大学);SISREC Osaka University(Osaka大学SISREC)
本文提出了一种神经符号学习架构,通过少量演示获取可推广的高级符号技能,并在多级规划中实现复杂任务的执行。
2026-03-01 cs.AI cs.LG cs.RO
iWalker: Imperative Visual Planning for Walking Humanoid Robot
The Spatial AI & Robotics (SAIR) Lab, Computer Science and Engineering, University at Buffalo(布法罗大学空间人工智能与机器人实验室);The Wisconsin Expeditious Legged Locomotion (WELL) Lab, Mechanical Engineering, University of Wisconsin-Madison(威斯康星大学麦迪逊分校快速腿部运动实验室)
iWalker 通过 imperative 学习实现人形机器人自主行走,结合视觉避障与足部规划,提升适应性和泛化能力。
2025-10-27 cs.RO cs.SY eess.SY
Unsupervised Visuomotor Control through Distributional Planning Networks
Stanford University(斯坦福大学)
虽然强化学习(RL)有可能使机器人自主地获得广泛的技能,但在实践中,RL通常需要手动地对奖励函数进行按任务设计,特别是在现实世界中,计算进度所需的环境方面无法直接访问。为了使机器人能够自主学习技能,我们转而考虑没有奖励的强化学习问题。我们的目标是学习一个无监督的嵌入空间,在这个空间下,机器人可以测量自己朝着目标前进的进度。我们的方法显式优化的度量空间下,达到特定状态的动作序列是最佳的,当目标是最终达到的状态。这使得能够学习有效的和以控制为中心的表示,从而产生更自主的强化学习算法。在三个模拟环境和两个真实操作问题上的实验表明,该方法可以从未标记的交互中学习有效的目标度量,并将学习到的目标度量用于自主强化学习.
2019-02-14 cs.CV cs.LG cs.RO
Multi-Agent Route Planning as a QUBO Problem
Department of Computers and Informatics, Faculty of Electrical Engineering and Informatics, Technical University of Košice(科希策技术大学电气工程与信息学院计算机与信息学系)
本文将多智能体路径规划问题建模为QUBO问题,通过证明其NP难性并推导出编码路线效用奖励和配对重叠惩罚的二次无约束二进制优化公式,探讨了覆盖与重叠的权衡策略。
2026-06-29 cs.RO quant-ph
Self-Supervised Sim-to-Real Adaptation for Visual Robotic Manipulation
DeepMind(深度思维)
为了训练强化学习算法,从真实的机器人视觉数据中收集和自动获取奖励信号可能非常具有挑战性和耗时。利用未标记数据的方法可以进一步加速机器人学习。我们在这里考虑的问题,从像素执行操作任务。在这些任务中,选择适当的状态表示对于规划和控制至关重要。这甚至与真实图像更相关,其中噪声、遮挡和分辨率影响状态估计的准确性和可靠性。在这项工作中,我们在模拟中使用深度强化学习隐式地学习潜在状态表示,然后使用未标记的真实机器人数据使其适应真实域。我们建议通过优化基于序列的自监督目标来实现这一点。这些利用了机器人经验的时间性质,并且在模拟和真实域中都是常见的,而无需假设模拟和未标记的真实图像中的底层状态的任何对齐。我们提出了对比前向动力学损失,它结合了动力学模型学习和时间对比技术。从我们的方法中学习到的状态表示可以用于鲁棒地解决模拟中的操作任务,并成功地将学习到的技能转移到真实系统上。我们证明了我们的方法的有效性,通过训练基于视觉的强化学习代理立方体堆叠。用我们的方法训练的代理,只使用5个小时的未标记的真实机器人数据进行适应,显示出明显的改善域随机化,和标准的视觉领域自适应技术的仿真到现实迁移。
2019-10-21 cs.CV cs.RO
Model-Based Visual Planning with Self-Supervised Functional Distances
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学);Carnegie Mellon University(卡内基梅隆大学)
一个多面手机器人必须能够在其环境中完成各种任务。一个有吸引力的方法来指定每个任务是在一个目标的观察。然而,使用强化学习学习达到目标的策略仍然是一个具有挑战性的问题,特别是当手工设计的奖励函数不可用时。学习动力学模型是一种很有前途的方法,可以在没有奖励或任务导向数据的情况下学习环境,但是计划使用这种模型来达到目标需要观察和目标状态之间的功能相似性的概念。我们提出了一种基于模型的视觉目标达成的自监督方法,该方法使用视觉动力学模型以及使用无模型强化学习学习的动态距离函数。我们的方法完全使用离线、未标记的数据进行学习,使其能够扩展到大型和多样化的数据集。在我们的实验中,我们发现我们的方法可以成功地学习在测试时执行各种任务的模型,使用模拟机器人手臂在干扰物中移动物体,甚至使用真实世界的机器人学习打开和关闭抽屉。在比较中,我们发现,这种方法大大优于无模型和基于模型的先验方法。视频和可视化可在这里:http://sites.google.com/berkeley.edu/mbold.
2020-12-30 cs.AI cs.CV cs.LG
Long Range Navigator (LRN): Extending robot planning horizons beyond metric maps
University of Washington(华盛顿大学);Google DeepMind(谷歌DeepMind);Overland AI(Overland AI公司);Mila(米拉研究所)
针对户外机器人长距离导航规划视野有限的问题,提出LRN模型,通过学习中间可供性表示识别规划前沿方向,在未标记视频上训练,增强导航栈后减少人为干预、加快决策。
2025-04-17 cs.RO
On Two-Handed Planar Assembly Partitioning with Connectivity Constraints
Duke University(杜克大学);Tandon School of Engineering, New York University(纽约大学坦登工程学院);Tel-Aviv University(特拉维夫大学)
装配规划是机器人和自动化中的一个基本问题,它涉及到设计一系列运动,以将产品的单独组成部分最终放置在产品中。装配规划是一个拆卸问题,从而产生了装配划分问题:给定一组零件$A$,找到一个子集$S\subset A$,称为子组件,使得$S$可以沿着规定的方向刚性地平移到无穷远,而不会与$A\setminus S$冲突。虽然组件划分是有效可解决的,但是进一步期望子组件的部件容易地保持在一起。这激发了我们研究的问题,称为连接组装划分,它还需要两个连接器$S$和$A\setminus S$中的每一个都连接起来。我们证明了这个问题是NP完全的,解决了Wilson等人(1995)在25年前提出的一个悬而未决的问题,即使$A$由单位网格正方形组成(即,$A$为多角形)。针对这一结果,我们证明了NP-硬度的一个新的平面3-SAT的变体有一个相邻的要求出现在同一条款中的变量,这可能是独立的利益。在积极的一面,我们给出了一个$O(2^k n^2)$ -时间固定参数易处理的算法(需要低次多项式时间的预处理)的集合$A$由多边形在平面上,其中$n=|A|$和$k=|S|$。我们还描述了一个特殊的情况下,单位网格的正方形组件,其中一个连接的分区总是可以找到在$O(n)$时间。
2023-03-21 cs.CC cs.CG cs.DS
V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning
FAIR at Meta;Mila -- Quebec AI Institute
本文提出自监督视频模型 V-JEPA 2,结合海量网络视频与少量机器人数据,实现视频理解、动作预判、视频问答及零样本机械臂规划。
2025-06-11 cs.AI cs.CV cs.LG
Efficient Multi-Agent Coordination via Dynamic Joint-State Graph Construction
George Mason University(乔治·玛森大学)
本文提出TCGRE问题及动态联合状态图构建方法,通过三维匹配归约证明NP难性,并设计Dynamic-HJSG算法在保持最优性的同时将复杂度从指数降至多项式,大幅提升大规模多智能体协同路径规划效率。
2025-09-08 cs.MA cs.RO