arXiv 1707.066072017-07-20cs.AIcs.MA

MAPP算法在城市环境下的协同路径搜索

Applying MAPP Algorithm for Cooperative Path Finding in Urban Environments

Federal Research Center “Computer Science and Control” of Russian Academy of Sciences（俄罗斯科学院“计算机科学与控制”联邦研究中心）；People’s Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学）；National Research University Higher School of Economics（国家研究型高等经济大学）

Anton Andreychuk, Konstantin Yakovlev

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文考虑的问题，规划一组非冲突的轨迹联盟的智能代理（移动机器人）。两种不同的方法，如集中式和分散式，调查和分析。分布式规划器- MAPP的描述和应用的任务，找到几十无人机执行午睡的地球飞行在城市环境中的轨迹。实验研究的结果提供了一个机会，声称MAPP是一个高效的计划，解决考虑类型的任务。

英文摘要：

The paper considers the problem of planning a set of non-conflict trajectories for the coalition of intelligent agents (mobile robots). Two divergent approaches, e.g. centralized and decentralized, are surveyed and analyzed. Decentralized planner - MAPP is described and applied to the task of finding trajectories for dozens UAVs performing nap-of-the-earth flight in urban environments. Results of the experimental studies provide an opportunity to claim that MAPP is a highly efficient planner for solving considered types of tasks.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

协同巡逻路径规划：通过多智能体强化学习优化城市犯罪监控

Cooperative Patrol Routing: Optimizing Urban Crime Surveillance through Multi-Agent Reinforcement Learning

针对城市巡逻路径优化问题，提出基于去中心化部分可观测马尔可夫决策过程的MARL模型，采用VDPPO算法，引入覆盖指数指标，在马拉加市测试实现了符合警方标准的高犯罪区域覆盖效果。

2025-01-14cs.AI

基于多智能体深度强化学习的可扩展去中心化协作车辆队列

Scalable Decentralized Cooperative Platoon using Multi-Agent Deep Reinforcement Learning

German University in Cairo（开罗德国大学）

针对智能交通中车辆队列行驶的性能与安全需求，提出基于Unity 3D和深度强化学习的可扩展去中心化协作队列方法，通过“共享与关怀”通信框架提升车队及单车性能鲁棒性，改善道路安全与拥堵。

2023-12-11cs.AIcs.MAcs.RO

基于连续蒙特卡罗树搜索的自动车辆分散协同规划

Decentralized Cooperative Planning for Automated Vehicles with Continuous Monte Carlo Tree Search

FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）

城市交通场景通常需要交通参与者之间的高度合作，以确保安全和效率。通过观察他人的行为，人类可以推断出他人是否在合作。这项工作旨在扩展自动驾驶汽车的能力，使它们能够在异构环境中进行隐式合作。连续的行动允许任意的轨迹，因此适用于更广泛的一类问题比现有的合作方法与离散的行动空间。蒙特卡罗树搜索（MCTS）结合解耦UCT，基于其他智能体的合作建模，以合作和分散的方式评估每个智能体的行动值，尊重交通参与者之间的相互依赖性。连续动作空间的扩展是通过将新的MCTS特定的增强有效的搜索空间探索。在不同的场景下对该算法进行了评估，结果表明该算法能够实现有效的协同规划，并生成自我中心规划无法识别的解。

2018-09-10cs.AIcs.RO

城市出租车服务中的大规模代理指导

Toward Large-Scale Agent Guidance in an Urban Taxi Service

出租车空驶是对城市出租车服务资源的浪费。在这项工作中，我们力求尽量减少这种浪费。对大量出租车运营痕迹的分析表明，服务效率低下是由司机贪婪的巡航行为造成的。我们将现有系统建模为连续时间马尔可夫链。为了解决这个问题，我们建议每辆出租车都配备一个智能代理，在为乘客巡航时指导司机。然后，借鉴人工智能文献的多智能体规划，我们探讨了两种可能的方法来计算这样的指导。第一种提法假定司机充分合作。原则上，这允许我们计算系统范围内的最优巡航策略。这被建模为马尔可夫决策过程。第二个公式假设理性的司机，寻求最大限度地提高自己的利润。这被建模为一个随机拥挤的游戏，一个专业化的随机游戏。提出了纳什均衡策略作为博弈的解，其中没有驾驶员有单独偏离纳什均衡的动机，实证结果表明两种策略都能显著提高服务效率。

2012-10-16cs.AIcs.GTcs.MA

联合优化部分卸载和SFC映射：一种合作的双智能体深度强化学习方法

On Jointly Optimizing Partial Offloading and SFC Mapping: A Cooperative Dual-agent Deep Reinforcement Learning Approach

Southwest Jiaotong University（西南交通大学）

多接入边缘计算（MEC）和网络功能虚拟化（NFV）是支持新兴物联网应用的有前途的技术，特别是那些计算密集型应用。在支持NFV的MEC环境中，服务功能链（SFC），即，一组有序的虚拟网络功能（VNF）可以被映射到MEC服务器上。移动设备（MD）可以将计算密集型应用（可以由SFC表示）全部或部分卸载到MEC服务器以供远程执行。本文研究了支持NFV的MEC系统中的部分卸载和SFC映射联合优化（POSMJO）问题，其中传入任务可以划分为两部分，一部分用于本地执行，另一部分用于远程执行。目标是最大限度地减少长期的平均成本，这是执行延迟，MD的能耗和边缘计算的使用费用的组合。该问题包括两个密切相关的决策步骤，即任务划分和VNF放置，这是非常复杂和具有挑战性的。为了解决这个问题，我们提出了一个合作的双代理深度强化学习（CDADRL）算法，在那里我们设计了一个框架，使两个代理之间的互动。仿真结果表明，该算法在累积和平均情节奖励方面优于三种深度强化学习算法组合，在执行延迟、能耗和使用费用方面优于许多基线算法。

2022-05-20cs.AIcs.LGcs.NI

CoRe-MARL：未知动态下基于循环多智能体强化学习的合作再分配

CoRe-MARL: Cooperative Redistribution Under Unknown Dynamics Using Recurrent Multi-Agent Reinforcement Learning

North Carolina State University（北卡罗来纳州立大学）；Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）

针对应急物资再分配中未知动态与独立决策问题，提出基于Dec-POMDP和循环MAPPO的合作多智能体框架，实现集中训练去中心化执行，有效缩小服务差距并提升最差区域服务。

2026-11-10cs.AIcs.LG

更多相关论文收起更多论文

CoDriveVLM：面向未来自动驾驶按需出行系统的VLM增强型城市协同调度与运动规划

CoDriveVLM: VLM-Enhanced Urban Cooperative Dispatching and Motion Planning for Future Autonomous Mobility on Demand Systems

The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）

针对AMoD中调度与运动规划割裂、车辆协同避障不足的问题，本文提出CoDriveVLM，用VLM增强多模态调度和风险评估，并结合去中心化ADMM实现协同轨迹优化。

2025-01-10cs.AIcs.MAcs.RO

为合作而设计：康德启发的机器对机器合作伦理

Designed to Cooperate: A Kant-Inspired Ethic of Machine-to-Machine Cooperation

Deakin University（迪肯大学）

这份立场文件强调了机器与机器合作和机器亲社会的伦理，并认为能够自主感知，决策和行动的机器，如自动驾驶汽车和城市机器人，由不同的自利方拥有和使用，并有自己的议程。（或其所有者的利益）的设计和建造应使其行为具有合作性，特别是如果他们共享公共空间。也就是说，根据设计，机器应该首先合作，然后只有在出现问题时才考虑替代方案。有人认为，合作不仅对它们改善运作很重要，特别是当它们使用共享资源时（例如，停车位、公共道路、路边空间和人行道），而且也作为有利的要求，类似于人类如何与其他人类合作可以是有利的并且通常被有利地看待。这种机器对机器的合作的有用性说明通过例子，包括合作众包，合作的交通路线和停车，以及未来的情况下，涉及城市机器人交付和购物。有人认为，正如隐私的设计和安全的设计是重要的考虑因素，为了产生符合道德要求的系统，合作的设计也应该是一个必要的自治系统，分别拥有，但共同居住在同一个空间和使用共同的资源。如果一台使用共享公共空间的机器不合作，正如人们所期望的那样，那么它不仅是反社会的，而且行为不道德。还有人建议，可以探讨对在公共场所运行的城市机器人进行认证。

2022-11-30cs.AIcs.RO

基于分布式数据库和多模态感知的实时车对车通信网络协同控制系统：在十字路口的演示

Real-time Vehicle-to-Vehicle Communication Based Network Cooperative Control System through Distributed Database and Multimodal Perception: Demonstrated in Crossroads

Zhejiang University（浙江大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Michigan（密歇根大学）

本文提出基于V2V通信的网络协同控制系统VVCCS，结合分布式数据库和多模态感知，在Qcar平台上实现宏观交通规划与碰撞避免，并通过十字路口演示验证其在复杂城市环境中的潜力。

2024-10-23cs.AIcs.ROcs.SY