Traffic Flow Optimisation for Lifelong Multi-Agent Path Finding
Monash University（莫纳什大学）；Carnegie Mellon University（卡内基梅隆大学）
针对多智能体路径规划中智能体数量增多导致拥堵、性能下降的问题，提出避堵路径引导的新方法，在单次和终身MAPF场景下分别显著提升了解质量与整体吞吐量。
2024-01-31 cs.AI cs.MA cs.RO
Enhancing Lifelong Multi-Agent Path-finding by Using Artificial Potential Fields
Ben-Gurion University of the Negev（贝纳-戈里翁内盖夫大学）
本文探索将人工势场（APFs）整合到优先规划、MAPF-LNS2和PIBT等算法中，以解决多智能体路径规划（MAPF）和终身MAPF（LMAPF）问题，实验表明该方法虽未改善MAPF效果，但使LMAPF的系统吞吐量最高提升了7倍。
2025-05-28 cs.AI cs.MA cs.RO
A Job-Assignment Heuristic for Lifelong Multi-Agent Path Finding Problem with Multiple Delivery Locations
在本文中，我们提出了多作业分配算法，以产生低总成本的解决方案，并确定其中最好的执行方法。
2020-04-25 cs.AI cs.MA
Guidance Graph Optimization for Lifelong Multi-Agent Path Finding
本文提出引导图优化方法，用于自动为终身多智能体路径寻找生成高效引导，提升算法吞吐量。
2024-05-09 cs.AI cs.MA cs.RO
Multi-Agent Path Finding with Real Robot Dynamics and Interdependent Tasks for Automated Warehouses
NAVER LABS（纳弗实验室）
本文研究自动化仓库中具有真实机器人动力学和相互依赖任务的在线订单配送MAPF问题，提出交错优先级规划处理任务依赖并设计VP*算法生成符合动力学的无碰撞轨迹，证明了完备性并在仿真和真实仓库中验证。
2024-08-26 cs.AI cs.MA cs.RO
Lifelong Scalable Multi-Agent Realistic Testbed and A Comprehensive Study on Design Choices in Lifelong AGV Fleet Management Systems
本文提出LSMART，一个开源模拟器，用于评估持续AGV车队管理系统的设计选择，并通过实验结果提供设计指导。
2026-02-17 cs.AI 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
Leveraging Experience in Lifelong Multi-Agent Pathfinding
Technion, Israel Institute of Technology（以色列理工学院）
在终身多智能体路径查找（L-MAPF）中，一组智能体执行由共享图上的智能体访问的多个位置组成的任务流，同时避免彼此冲突。L-MAPF通常通过将其划分为多个连续的，因此类似的“一次性”MAPF查询来处理，如滚动时域冲突解决（RHCR）算法。因此，对一个查询的解决方案通知下一个查询，这导致关于代理的开始和目标位置的相似性，以及从一个查询到下一个查询需要如何解决冲突。因此，解决一个MAPF查询的经验可以潜在地用于加速解决下一个。尽管有这种直觉，目前的L-MAPF规划器从头开始解决连续的MAPF查询。在本文中，我们介绍了一种新的RHCR启发的方法，称为exRHCR，利用其组成的MAPF查询的经验。特别地，exRHCR采用基于优先级的搜索（PBS）的扩展，这是最先进的MAPF求解器。我们称之为exPBS的扩展允许使用PBS在以前的MAPF实例中使用的代理之间的优先级来热启动搜索。我们的经验表明，exRHCR解决L-MAPF实例高达39%的速度比RHCR，并有可能增加系统吞吐量给定的任务流，通过增加代理的数量规划可以应付给定的时间预算。
2022-05-16 cs.AI cs.MA cs.RO
Learning-guided Prioritized Planning for Lifelong Multi-Agent Path Finding in Warehouse Automation
Massachusetts Institute of Technology（麻省理工学院）
本文提出RL-RH-PP框架，结合强化学习与搜索规划，提升仓库自动化中多智能体路径寻找的效率与适应性。
2026-03-25 cs.AI cs.RO
Deploying Ten Thousand Robots: Scalable Imitation Learning for Lifelong Multi-Agent Path Finding
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系）
针对大规模终身多智能体路径规划中学习类方法性能不足的问题，提出融合通信模块、冲突消解与全局引导的模仿学习求解器SILLM，在多场景下超越现有基线与赛事冠军，且经真实与虚拟机器人验证有效。
2025-05-18 cs.AI cs.LG cs.MA
Transient Multi-Agent Path Finding for Lifelong Navigation in Dense Environments
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
针对终身多智能体路径规划（LMAPF）中传统MAPF方法要求所有智能体同时到达目标的不必要限制，提出瞬态MAPF（TMAPF）变体及求解算法，实验表明其能显著提升密集环境中系统吞吐量。
2024-12-05 cs.AI cs.MA cs.RO
Sequence Pathfinder for Multi-Agent Pickup and Delivery in the Warehouse
Shanghai Jiao Tong University（上海交通大学）
本文将 MAPF 建模为序列问题并证明顺序不变最优性，提出基于 Transformer 的 SePar，以线性复杂度实现隐式全局信息交换，在仓库类 MAPD 任务中优于现有学习方法。
2025-09-30 cs.AI cs.LG cs.MA
Optimization of Edge Directions and Weights for Mixed Guidance Graphs in Lifelong Multi-Agent Path Finding
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Thomas Lord Department of Computer Science, University of Southern California（南加州大学计算机科学系托马斯·劳德部门）；Lila Sciences
本文提出混合引导图优化方法，通过优化边方向和权重提升终身多智能体路径寻找的引导效果。
2026-03-02 cs.AI cs.MA cs.RO
Neural ATTF: A Scalable Solution to Lifelong Multi-Agent Path Planning
Georgia Institute of Technology（佐治亚理工学院）；Hyundai-MOBIS（现代莫比斯）
本文提出神经ATTF算法，结合优先级引导任务匹配与神经时空A*，解决多智能体取送货路径规划的可扩展性和效率问题，实验证明其优于现有方法。
2025-04-21 cs.AI cs.RO
Scalable Long-Horizon Planning with Staggered Updates for Lifelong MAPF
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
该研究针对通用地图的终身多智能体路径发现问题，提出PUSH规划器，结合多种框架优势实现可扩展长时程规划，在10k智能体场景下吞吐量优于基线方法
2026-08-10 cs.AI cs.MA cs.RO
Double-Deck Multi-Agent Pickup and Delivery: Multi-Robot Rearrangement in Large-Scale Warehouses
Simon Fraser University（西蒙弗雷泽大学）
本研究提出自动化仓库多机器人货架重排的DD-MAPD问题，证明其NP难，设计MAPF-DECOMP分解框架及优化方法，可快速求解上千货架、数百智能体的大规模实例。
2023-04-27 cs.AI cs.MA cs.RO
Stress-Relief Annealing: Polynomial-Time Simulation-Free Layout Optimization for Automated Warehouses
Kyushu University（九州大学）；Carnegie Mellon University（卡内基梅隆大学）
针对自动化仓库布局优化现有方法样本效率低的问题，本文提出多项式时间无模拟的应力释放退火算法，大幅提升吞吐量与可扩展性，且效率远高于进化基线方法，增益可推广至多种场景。
2026-08-04 cs.AI cs.MA cs.RO
Scaling Lifelong Multi-Agent Path Finding to More Realistic Settings: Research Challenges and Opportunities
本文探讨了将终身多智能体路径寻找扩展到现实场景中的三个研究挑战及未来发展方向。
2024-04-24 cs.AI cs.MA
Learn to Follow: Decentralized Lifelong Multi-agent Pathfinding via Planning and Learning
AIRI；Federal Research Center for 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）
针对分布式终身多智能体路径规划问题，提出融合启发式规划与强化学习的方法，通过拥塞避免规划和无奖励塑形的避碰策略学习，实现更高吞吐量、更强泛化性且速度更快的求解效果。
2023-10-02 cs.AI cs.MA
SRMT: Shared Memory for Multi-agent Lifelong Pathfinding
AIRI；MIPT（莫斯科物理技术学院）；London Institute for Mathematical Sciences（伦敦数学科学研究院）
本文提出共享循环记忆Transformer（SRMT），通过全局共享内存工作区实现去中心化多智能体的无约束协调，在PO-MAPF等任务上表现优于基线，可扩展且无需领域特定启发式。
2026-08-25 cs.AI cs.LG cs.MA
A Theoretical Framework for Parallel Lifelong MAPF Using Group Decentralized Planning
Carnegie Mellon University（卡内基梅隆大学）
针对L-MAPF问题，本文证明RHCR的近最优性，提出并行规划的GD-RHCR框架，其在扩展智能体规模时仍能保持高吞吐量和低单规划成本。
2026-08-19 cs.AI cs.MA cs.RO
Multi-Robot Coordination and Layout Design for Automated Warehousing
Carnegie Mellon University（卡内基梅隆大学）；University of Southern California（南加州大学）
本文研究自动化仓储中的布局优化问题，通过扩展自动场景生成方法优化仓库布局，从而减少拥堵、提高吞吐量和可扩展性，并支持用户指定的多样性度量。
2023-09-02 cs.AI cs.NE cs.RO
Scaling Teams or Scaling Time? Memory Enabled Lifelong Learning in LLM Multi-Agent Systems
Emory University（埃默里大学）；Illinois Institute of Technology（伊利诺伊理工学院）；University of Notre Dame（圣母大学）；Cisco Research（思科研究院）
本文研究了大语言模型多智能体系统在团队规模和持续学习能力上的协同优化，提出LLMA-Mem框架，通过灵活内存拓扑提升长期性能并降低成本。
2026-03-27 cs.AI cs.MA
Optimal Multi-Agent Path Finding for Precedence Constrained Planning Tasks
Indian Institute of Technology Kharagpur（印度理工学院卡哈拉格普尔分校）
多智能体路径查找（MAPF）是为多个智能体寻找从其起始位置到结束位置的无冲突路径的问题。我们认为这个问题的扩展，优先约束的多智能体路径查找（PC-MAPF），其中代理被分配一系列的规划任务，其中包含优先约束。PC-MAPF具有各种应用，例如在多代理拾取和递送问题中，其中某些对象可能需要多个代理协同拾取并一致地移动它们。优先约束也出现在仓库装配问题中，在制造任务可以开始之前，其输入资源必须被制造和交付。我们提出了一种新的算法，优先约束的基于冲突的搜索（PC-CBS），这类问题的最大完工时间的最佳解决方案。PC-CBS利用优先级约束任务图为每个计划任务定义有效的时间间隔，并在遇到优先级冲突时更新它们。我们基准测试该算法的性能在各种仓库组装，和多代理的皮卡和交付任务，并使用它来评估最近提出的有效的基线的次优。
2022-02-08 cs.AI cs.MA
Symbolic Planning and Multi-Agent Path Finding in Extremely Dense Environments with Unassigned Agents
本文提出五种基于搜索的算法，用于解决在极度密集环境中无分配代理的多智能体路径寻找问题，通过图搜索方法高效生成重新排列计划。
2026-01-08 cs.AI cs.MA cs.RO
Flexible and Explainable Solutions for Multi-Agent Path Finding Problems
Faculty of Engineering and Natural Sciences, Sabanci University（萨班哲大学工程与自然科学学院）；Sabanci University（萨班哲大学）；Istanbul（伊斯坦布尔）
多智能体路径寻找（MAPF）问题是一个组合搜索问题，其目的是为多个智能体（例如，机器人）在环境中（例如，自治仓库），使得没有两个代理彼此冲突，并且受到路径长度的一些约束。MAPF的实际应用需要灵活性（例如，解决MAPF的变化）以及可解释性。在这项研究中，这两个挑战都得到了解决，并介绍了MAPF及其变体的一些灵活和可解释的解决方案。
2021-09-17 cs.AI cs.LO cs.MA
Optimal Target Assignment and Path Finding for Teams of Agents
University of Southern California（南加州大学）
研究了已知地形下多智能体的目标分配和寻路问题，推广了匿名和非匿名多智能体寻路问题。每个团队的目标数量与团队中的代理数量相同。每个代理必须移动到指定给其团队的一个目标，以便访问所有目标。TAPF问题是首先将代理分配给目标，然后规划代理到目标的无冲突路径，以使完工时间最小化。我们提出了CBM（基于最小成本流）算法，一个分层的算法，解决TAPF实例最佳结合匿名和非匿名的多智能体寻路算法的想法。在低层次上，CBM使用时间扩展网络上的最小成本最大流算法将单个团队中的所有代理分配给目标并规划其路径。在高层次上，CBM使用基于冲突的搜索来解决不同团队中的代理之间的冲突。从理论上证明了CBM是正确的、完备的和最优的。在实验中，我们展示了CBM到TAPF实例的可扩展性，其中包含数十个团队和数百个代理，并将其适应于模拟仓库系统。
2016-12-17 cs.AI cs.MA cs.RO
Graph-Based Multi-Robot Path Finding and Planning
Simon Fraser University（西蒙弗雷泽大学）
回顾的目的规划多机器人的无碰撞路径对于现实世界的多机器人系统是很重要的，并且已经被研究为图上的优化问题，称为多智能体路径查找（MAPF）。本文综述了不同类别的经典和最先进的MAPF算法和不同的研究尝试，以解决将MAPF技术推广到现实世界的情况下的挑战。最佳解决MAPF问题在计算上具有挑战性。最近的进展导致了MAPF算法，它可以在几秒钟的运行时间内为数百个机器人和数千个导航任务计算无碰撞路径。MAPF的许多变体已经被形式化以使MAPF技术适应不同的现实要求，例如考虑机器人运动学、实时系统的在线优化以及任务分配和路径规划的集成。MAPF问题的数学技术已经解决了几个多机器人应用的重要方面，包括自动化仓库履行和分拣，自动化训练调度，以及非完整机器人和四轴飞行器的导航。这展示了它们在大规模多机器人系统的实际应用中的潜力。
2022-06-22 cs.AI cs.MA cs.RO
EECBS: A Bounded-Suboptimal Search for Multi-Agent Path Finding
Monash University（莫纳什大学）
多智能体路径查找（MAPF），即，为多个机器人找到无冲突路径，对于许多需要小运行时间的应用程序来说非常重要，包括亚马逊运营的自动化仓库。CBS算法是一种求解MAPF问题的两级搜索算法。ECBS是CBS的有界次优变体，它使用焦点搜索来加速CBS，牺牲最优性，而是保证其解决方案的成本在给定的最优因子内。在本文中，我们研究如何减少其运行时间，甚至进一步使用不可接受的算法。出于显式估计搜索（EES），我们提出了显式估计CBS（EECBS），CBS的一个新的有界次优的变种，使用在线学习，以获得不可接受的估计每个高级别节点的解决方案的成本，并使用EES选择哪个高级别节点扩展下一个。我们还调查了最近的改进CBS和适应EECBS。我们发现，EECBS的改进运行速度显着快于最先进的有界次优MAPF算法ECBS，BCP-7，和eMDD-SAT在各种MAPF实例。我们希望EECBS的可扩展性，使有界次优MAPF算法的其他应用程序。
2021-03-12 cs.AI cs.MA cs.RO
Multi-Agent Pathfinding: Definitions, Variants, and Benchmarks
Ben Gurion University of the Negev（内盖夫本-古里安大学）；University of Alberta（阿尔伯塔大学）；USC（南加州大学）；University of Denver（丹佛大学）；Charles University（查理大学）
MAPF问题是为多个代理规划路径的基本问题，其中的关键约束是代理将能够同时遵循这些路径而不会相互冲突。MAPF的应用包括自动化仓库和自动驾驶汽车。近几年来，MAPF的研究得到了蓬勃发展。不同的MAPF研究论文做出了不同的假设，例如，智能体是否可以在同一时间穿越同一条道路，并具有不同的目标函数，例如，最小化完工时间或代理人的行动成本之和。这些假设和目标有时是隐含的假设或非正式的描述。这使得难以在研究论文中建立适当的比较基线，也使得从业人员难以找到与其具体应用相关的论文。本文旨在填补这一空白，并支持研究人员和从业人员提供一个统一的术语来描述常见的MAPF假设和目标。此外，我们还提供了两个MAPF基准的指针。特别是，我们引入了一个新的基于网格的基准MAPF，并通过实验证明，它构成了当代MAPF算法的挑战。
2019-06-19 cs.AI cs.MA cs.RO
Terraforming -- Environment Manipulation during Disruptions for Multi-Agent Pickup and Delivery
Technion - Israel Institute of Technology（以色列理工学院）
研究自动化仓库中多智能体拾取与配送问题，提出Terraforming MAPD（tMAPD）方法，允许智能体在中断时动态移动货架以开辟通道，相比传统MAPD方法提升吞吐量超10%并显著降低服务时间。
2023-05-19 cs.AI cs.MA cs.RO
Multi-Goal Multi-Agent Pickup and Delivery
Simon Fraser University（西蒙菲莎大学）；University of Southern California（南加州大学）
在这项工作中，我们考虑多代理拾取和交付（MAPD）的问题，代理不断从事新的任务，需要计划无冲突的路径来执行它们。为了执行任务，代理需要访问一对目标位置，包括拾取位置和交付位置。我们提出了两种变体的算法，分配一系列的任务，每个代理使用的任何时候算法大邻域搜索（LNS）和计划路径使用多代理路径查找（MAPF）算法基于优先级的搜索（PBS）。LNS-PBS是完整的形式良好的MAPD实例，一个现实的子类的MAPD实例，经验上比现有的完整的MAPD算法中央更有效。LNS-wPBS不提供完整性保证，但经验上比LNS-PBS更有效和稳定。它可扩展到大型仓库中的数千个代理和数千个任务，并且根据经验比现有的可扩展MAPD算法HBH+MLA* 更有效。LNS-PBS和LNS-wPBS也适用于MAPD的更一般的变体，即多目标MAPD（MG-MAPD）问题，其中任务可以具有不同数量的目标位置。
2022-08-02 cs.AI cs.MA cs.RO
Compilation-based Solvers for Multi-Agent Path Finding: a Survey, Discussion, and Future Opportunities
Faculty of Information Technology（信息技术学院）；Czech Technical University in Prague（捷克理工大学）
多智能体路径寻找（MAPF）在人工智能领域以及机器人领域和仓储物流等领域都受到了广泛的关注。标准MAPF中的任务是找到路径，通过该路径，智能体可以从其起始位置导航到指定的各个目标位置。两个额外要求的组合使得问题在计算上具有挑战性：（i）代理必须不相互碰撞，以及（ii）路径必须相对于某些目标是最优的。最佳MAPF求解的两种主要方法包括（1）直接求解MAPF的专用基于搜索的方法，以及（2）将MAPF实例简化为不同的良好建立的形式主义中的实例的基于编译的方法，对于该方法存在有效的求解器。基于编译的MAPF求解可以受益于目标求解器开发过程中积累的进步，通常长达数十年。我们总结和比较当代基于编译的求解器MAPF使用ASP，MIP和SAT等形式主义。我们展示了从过去的发展和当前的趋势中吸取的教训，并讨论了其更广泛的影响。
2021-04-23 cs.AI cs.MA
Budget Allocation Policies for Real-Time Multi-Agent Path Finding
本文提出了一种实时多智能体路径寻找中的预算分配策略，通过智能分配规划预算提升求解效率。
2026-02-23 cs.AI cs.MA cs.RO
Symmetry Breaking for k-Robust Multi-Agent Path Finding
Monash University（莫纳什大学）
在多智能体路径查找（MAPF）问题中，智能体可能会因意外事件而延迟。为了解决这种情况下，最近的工作描述了k-鲁棒的基于搜索（k-CBS）：一种算法，产生协调和无冲突的计划，是强大的k延迟。在这项工作中，我们引入了各种成对的对称破缺约束，具体到k-鲁棒规划，可以有效地找到兼容的和最佳的路径对冲突的代理。我们对新的限制进行了全面的描述，并报告了一系列领域的成功率的大幅提高，包括：（i）经典的MAPF基准;（ii）自动化仓库领域;（iii）2019年平地挑战赛的地图，最近推出的铁路领域，k-鲁棒规划可以有效地应用于调度列车。
2021-10-28 cs.AI
RAILGUN: A Unified Convolutional Policy for Multi-Agent Path Finding Across Different Environments and Tasks
Thomas Lord Department of Computer Science, University of Southern California（美国南加州大学计算机科学系）；Independent Researcher（独立研究者）；Carnegie Mellon University（卡内基梅隆大学）；University of California, Irvine（加州大学尔湾分校）
本文提出RAILGUN，首个集中式基于地图的CNN策略，解决多智能体路径查找，跨地图和智能体数量泛化，优于多数基线并具零样本能力。
2025-08-06 cs.AI cs.RO
Scaling Multi-Agent Environment Co-Design with Diffusion Models
Department of Computer Science, University of Cambridge, Cambridge, United Kingdom（剑桥大学计算机科学系，剑桥，英国）
提出扩散协同设计（DiCoDe）框架，通过投影通用引导（PUG）和评论家蒸馏机制，实现高维环境设计空间下的可扩展、样本高效的智能体-环境协同优化。
2026-05-29 cs.AI cs.LG cs.MA
Multi-Agent Terraforming: Efficient Multi-Agent Path Finding via Environment Manipulation
Technion Israel Institute of Technology（以色列理工学院）
多智能体寻路（MAPF）是指在一个障碍物密集的环境中，为一组智能体规划从起点到目标点的无碰撞路径。MAPF的典型方法将障碍物的位置视为固定的，这限制了它们在自动化仓库中的有效性，其中障碍物（代表吊舱或货架）可以由代理（代表机器人）移开以缓解瓶颈并引入更短的路线。在这项工作中，我们开始与移动障碍物的MAPF的研究。特别是，我们引入了一个新的扩展MAPF，我们称之为地形化MAPF（tMAPF），其中一些代理负责移动障碍物，为其他代理扫清道路。解决tMAPF是非常具有挑战性的，因为它不仅需要推理代理之间的碰撞，而且还需要在何处以及何时移动障碍物。我们提出了两个国家的最先进的算法，CBS和PBS的扩展，以解决tMAPF，并证明他们可以始终优于静态障碍设置下可能的最佳解决方案。
2022-03-20 cs.AI
Lightweight and Effective Preference Construction in PIBT for Large-Scale Multi-Agent Pathfinding
Keisuke Okumura 1,2（奥村健介）；Hiroki Nagai 1,3（冈田宏）
针对大规模多智能体路径规划中PIBT算法的动作平局选择影响求解效果的问题，提出两种轻量平局打破技术，在不损失计算速度的前提下提升了MAPF求解性能与吞吐量。
2025-05-19 cs.AI cs.MA
Research on reinforcement learning based warehouse robot navigation algorithm in complex warehouse layout
AMA University（AMA大学）；Peking University（北京大学）；New York University（纽约大学）；University of California, Berkeley（加利福尼亚大学伯克利分校）；University of Florida（佛罗里达大学）；Georgia Institute of Technology（佐治亚理工学院）；Trine University（特莱恩大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出结合近端策略优化与Dijkstra算法的PP-D方法，用于复杂仓库布局中机器人导航，实现高效实时决策与全局最优路径规划，显著提升导航精度和系统鲁棒性。
2024-11-09 cs.AI cs.RO
Multi-Dimensional AGV Path Planning in 3D Warehouses Using Ant Colony Optimization and Advanced Neural Networks
School of Software Technology, Zhejiang University（浙江大学软件技术学院）；Loctek Ergonomic Technology Co.（乐歌人体工学科技股份有限公司）
针对3D仓库动态交通与拥堵问题，提出结合ACO与深度学习的NAHACO框架，通过多维张量建模、拥堵感知损失函数和自适应注意力机制优化路径规划，在TSP基准和仓库测试中显著降低成本与拥堵。
2025-03-30 cs.AI cs.RO
Multi-Agent Target Assignment and Path Finding for Intelligent Warehouse: A Cooperative Multi-Agent Deep Reinforcement Learning Perspective
Harbin Institute of Technology Shenzhen（哈尔滨工业大学（深圳））；School of Mechanical Engineering and Automation（机械工程与自动化学院）；Tsinghua University（清华大学）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）
针对智能仓库中目标分配与路径规划常被分开求解且忽略智能体物理动力学的问题，提出协作式多智能体深度RL方法同时建模并求解TAPF，在多种任务设置下实现合理分配、近最短路径及更高时间效率。
2024-10-27 cs.AI cs.MA
MAPF-GPT: Imitation Learning for Multi-Agent Pathfinding at Scale
AIRI；Federal Research Center “Computer Science and Control” of the Russian Academy of Sciences（俄罗斯科学院“计算机科学与控制”联邦研究中心）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）
本文提出 MAPF-GPT，仅用模仿学习和 Transformer 构建 MAPF 基础模型，无需额外启发式或通信，具备零样本能力，并在多种实例上显著优于现有可学习求解器且推理高效。
2025-04-08 cs.AI cs.LG cs.MA
Pivot-and-Station Multi-Agent Path Finding: Solvability, Complexity, and Algorithms
Politecnico di Torino（都灵理工大学）；University of Oxford（牛津大学）
针对需访问枢轴后停放的多智能体路径寻径问题，研究人员证明其可解性条件、最小化相关时间指标的NP难性，并提出PPP算法，大幅提升基准实例求解效率。
2026-08-26 cs.AI
PATH-Bench: Path-Dependent Evaluation of Lifelong Agents
本研究构建了面向终身智能体路径依赖评估的基准PATH-Bench，评估8个智能体后提出SEU机制，该机制可减少遗忘、提升正向迁移，为设计更优终身智能体提供指导。
2026-08-04 cs.AI
Algorithm Selection for Optimal Multi-Agent Path Finding via Graph Embedding
Ben Gurion University of the Negev（内盖夫本-古里安大学）
针对最优MAPF求解器缺乏可证明选择准则的问题，本文用FEATHER图嵌入即时编码问题并融合既有编码，提出MAG算法选择方法，实验显示其性能持平或显著优于现有方法。
2024-06-16 cs.AI
CoReLIN: Constraint-based Reasoning for Zero-shot Lifelong Interactive Navigation
Purdue University（普渡大学）；Indian Institute of Technology, Kharagpur（印度理工学院卡哈拉格普尔分校）；DEVCOM Army Research Lab（DEVCOM陆军研究实验室）；National University of Singapore（新加坡国立大学）
提出CoReLIN框架，利用LLM和场景图推理，在终身交互式导航中通过移动物体开辟路径并完成任务，显著提升长期效率。
2026-07-01 cs.AI cs.CV cs.RO
Idle Time Optimization for Target Assignment and Path Finding in Sortation Centers
Cainiao Smart Logistics Network（菜鸟智能物流网络）；Simon Fraser University（西蒙弗雷泽大学）；University of Southern California（南加利福尼亚大学）
在本文中，我们研究了一次性和终身版本的目标分配和路径查找问题的自动分拣中心，每个代理需要不断地为自己分配一个分拣站，移动到指定的站没有碰撞的障碍物或其他代理，等待在该站的队列中获得交付的包裹，然后将包裹送到分拣箱。这些中心的吞吐量主要取决于所有站的总空闲时间，因为它们的队列可能经常变空。为了解决这个问题，我们首先形式化和研究的一杆版本，分配站的代理商和代理商的一组找到无冲突的路径，他们分配的站。我们提出了一种新的最小成本最大流公式，最大限度地减少在一个固定的时间窗口中的所有站的总空闲时间的基础上，这项任务的有效算法。然后，我们演示了如何解决一次性问题的算法可以应用于解决终身问题。在实验上，我们相信是第一个考虑使用具有真实数据的工业模拟器和真实机器人的kinodynamic模型的真实世界自动分拣中心的研究人员。在这个模拟器上，我们通过展示多达350个代理的效率和有效性来展示我们算法的优势。
2019-11-30 cs.AI cs.MA cs.RO
LiLib: Lifelong Air-to-Ground Path-Loss Prediction on UAVs via a Drift-Triggered Model Library
Hanoi University of Science and Technology (HUST)（河内理工大学）
针对无人机空对地路径损耗预测中环境漂移问题，提出LiLib轻量级持续学习方案，通过窗口残差测试触发专家库重用或新建，显著降低预测误差并恢复吞吐量，证明记忆优于重适应。
2026-10-07 cs.AI cs.LG
AutoSkill: Experience-Driven Lifelong Learning via Skill Self-Evolution
School of Computer Science and Technology, East China Normal University（1 计算机科学与技术学院，东华大学）；Shanghai AI Laboratory（2 上海人工智能实验室）
AutoSkill通过技能自我进化实现经验驱动的终身学习，使LLM代理能够自动推导、维护和重用技能，提升个性化能力的持续性和可重用性。
2026-03-05 cs.AI
Social World Model for Lifelong Social Intelligence
Central South University（中南大学）
提出社会世界模型，将社交互动分解为五个维度构建闭环学习框架，并配套数据合成机制与终身学习基准，使小模型可持续获取社会协调能力。
2026-06-23 cs.AI
Explanation Generation for Multi-Modal Multi-Agent Path Finding with Optimal Resource Utilization using Answer Set Programming
Sabanci University（萨班哲大学）
多智能体路径寻找（MAPF）问题是一个组合搜索问题，其目的是为多个智能体（例如，机器人）在环境中（例如，自治仓库），使得没有两个代理彼此冲突，并且受到路径长度的一些约束。我们考虑MAPF的一般版本，称为mMAPF，其涉及多式联运模式（例如，由于速度约束）和不同类型资源的消耗（例如，电池）。mMAPF的实际应用需要灵活性（例如，解决mMAPF的变化）以及可解释性。我们早期对mMAPF的研究重点关注了之前的灵活性挑战。在这项研究中，我们专注于后者的可解释性的挑战，并介绍了一种方法，用于生成关于解决方案的可行性和最优性，解决方案的不存在性，以及对解决方案的观察查询的解释。我们的方法是基于答案集编程。本文件正在考虑被TPLP接受。
2020-08-08 cs.AI cs.LO cs.MA
Optimal Integrated Task and Path Planning and Its Application to Multi-Robot Pickup and Delivery
IIT Kanpur（印度理工学院坎普尔分校）；Jupiter Money（木星金融）；MPI-SWS（马克斯·普朗克软件系统研究所）；Ericson Research（爱立信研究院）
本文提出融合最优任务规划与路径规划的多机器人机制，借助Z3求解SMT任务规划并扩展CBS-PC生成无碰撞轨迹，在仓库取放任务中优于现有经典规划器。
2024-03-02 cs.AI cs.MA cs.RO
Multi-Robot Routing with Time Windows: A Column Generation Approach
University of Maryland（马里兰大学）；University of Southern California（南加州大学）；Verisk（Verisk公司）；ESG UQAM（魁北克大学蒙特利尔分校 ESG 学院）；GERAD（GERAD研究院）；University of California, Irvine（加州大学欧文分校）；Laminaar（Laminaar公司）
在仓库中执行任务的机器人提供了自动驾驶汽车在运输和物流中广泛采用的第一个例子。这些业务的效率在实践中可能差异很大，但却是供应链成功的关键因素。在这项工作中，我们考虑的问题，协调一个车队的机器人在仓库中执行拣选操作，以最大限度地提高净利润在一段时间内实现，同时尊重问题和机器人的具体限制。我们制定的问题作为一个加权的集合包装问题，考虑的元素是在仓库地板上的项目，可以拿起并在指定的时间窗口内交付。我们强制执行机器人不得碰撞的约束，每个项目最多由一个机器人拾取和交付，并且任何时候活动的机器人数量不超过可用的总数。由于一组路线是指数的输入的大小，我们攻击优化所得到的整数线性规划使用列生成，其中定价相当于解决一个基本的资源约束的最短路径问题。我们提出了一个有效的优化方案，避免考虑时间窗口内的每一个增量。我们还提出了一个启发式定价算法，可以有效地解决定价子问题。虽然这本身是一个重要的问题，有效地解决这些问题所获得的见解可以导致其他时间窗口约束车辆路径问题的新进展。
2021-03-16 cs.AI cs.RO math.OC
