Modifying Optimal SAT-based Approach to Multi-agent Path-finding Problem to Suboptimal Variants
Ben Gurion University（本-古里安大学）；Bar-Ilan University（巴伊兰大学）
在多智能体路径查找（MAPF）中，任务是为多个智能体找到不冲突的路径。在本文中，我们专注于寻找次优的解决方案，MAPF的总成本的变化。最近，开发了一种基于SAT的方法来解决这个问题，并证明在许多情况下与其他基于搜索的求解器相比是有益的。在本文中，我们提出了基于SAT的无界和有界次优算法，并将它们与相关算法进行比较。实验结果表明，在许多情况下，基于SAT的求解器显着优于基于搜索的求解器。
2017-07-02 cs.AI
Multi-Agent Learning Path Planning via LLMs
Shanghai International Studies University（上海国际 Studies 大学）；East China Normal University（华东师范大学）；Huaiyin Normal University（淮阴师范学院）；City University of Macau（澳门城市大学）
本研究提出基于LLMs的多智能体学习路径规划框架，通过角色与规则协作机制提升学习路径的透明性与可解释性，实验表明其在路径质量、知识一致性及认知负荷匹配方面优于传统方法。
2026-01-24 cs.AI
SimArch: A Multi-agent System For Human Path Simulation In Architecture Design
Carnegie Mellon University（卡内基梅隆大学）
人的运动轨迹是建筑设计中的一个重要特征。通过研究路径，建筑师知道在哪里安排基本元素（例如结构，眼镜，家具等）。在太空中。本文介绍了SimArch，一个多智能体系统的人体运动路径模拟。它涉及使用马尔可夫决策过程建立的行为模型。该模型模拟人类的心理状态，目标范围检测和碰撞预测时，代理人在地板上，在一个特定的小画廊，看展览，或离开地板。它还通过分配不同的转移概率来模拟不同类型的人类特征。改进的加权A* 搜索算法快速规划代理的次优路径。在一个实验中，SimArch将一系列预处理的平面图作为输入，模拟移动路径，并输出一个密度图进行评估。密度图提供了一个人在一个位置出现的可能性的预测。下面的讨论说明了架构师如何使用密度图来改进他们的平面布置图设计。
2018-07-10 cs.AI
Interaction-Breaking Adversarial Learning Framework for Robust Multi-Agent Reinforcement Learning
Graduate School of Artificial Intelligence, UNIST, Ulsan, South Korea（人工智能研究生院，UNIST，乌山，韩国）
提出交互破坏对抗学习框架，从信息论角度构建攻击破坏智能体间交互，并训练智能体在干扰下可靠执行，提升鲁棒性。
2026-05-29 cs.AI cs.LG cs.MA
Alternating Target-Path Planning for Scalable Multi-Agent Coordination
Hitotsubashi University, Japan（日本立命堂大学）；National Institute of Advanced Industrial Science and Technology (AIST), Japan（日本国家先进工业科学和技术研究院）
本文提出一种迭代优化框架，将目标分配与路径规划解耦，利用高效MAPF求解器实现可扩展的多智能体协同路径规划，有效提升大规模TAPF问题的求解能力。
2026-05-12 cs.AI
CASTER: Breaking the Cost-Performance Barrier in Multi-Agent Orchestration via Context-Aware Strategy for Task Efficient Routing
Qingdao Institute of Software, College of Computer Science；Technology, China University of Petroleum (East China)；Shandong Key Laboratory of Intelligent Oil \& Gas Industrial Software；School of computing；artificial intelligence, Southwest Jiaotong University；Computer Engineering Department, University of Houston
CASTER通过上下文感知策略实现多智能体系统中任务高效路由，显著降低推理成本并保持高成功率。
2026-01-27 cs.AI
Unassigned Agents in Compilation-based Multi-agent Path Finding
Faculty of Information Technology, Czech Technical University in Prague（布拉格捷克理工大学信息技术学院）
针对未分配智能体的多智能体路径规划问题，提出基于SAT的编译方法，通过SMT-CBS和NRF-SAT求解器实现。
2026-06-16 cs.AI
Pushing the Envelope: From Discrete to Continuous Movements in Multi-Agent Path Finding via Lazy Encodings
Czech Technical University in Prague（布拉格捷克理工大学）；Faculty of Information Technology（信息技术学院）
研究了基于几何智能体MAPF $^\mathcal{R}$的多智能体连续时空路径搜索问题。该任务是导航代理之间的预定义的位置，以他们各自的目标，使他们不碰撞顺利移动。基于{ \em可满足性模理论}（SMT），提出了一种新的求解方法SMT-CBS $^\mathcal{R}$.新算法结合冲突解决已知的基于冲突的搜索（CBS）与上一代的不完整的SAT编码顶部的一个新的计划，选择决策变量在一个潜在的不可数的搜索空间。我们实验比较SMT-CBS $^\mathcal{R}$和以前的CCBS算法的MAPF $^\mathcal{R}$。
2020-04-25 cs.AI
Automatic Algorithm Selection In Multi-agent Pathfinding
University of Alberta（阿尔伯塔大学）；Washington University in St. Louis（圣路易斯华盛顿大学）；Universidad Andres Bello（安德烈斯·贝略大学）；University of Southern California（南加州大学）
在多智能体寻路（MAPF）问题中，智能体需要从它们的起点导航到它们的目标位置，而不会相互碰撞。有各种MAPF算法，包括窗口层次合作A*，流注释重规划，有界多智能体A*。通常情况下，没有一个单一的算法可以支配所有的MAPF实例。因此，在本文中，我们研究了使用深度学习从给定MAPF问题实例的算法组合中自动选择最佳MAPF算法。实证结果表明，我们的自动算法选择方法，它使用了现成的卷积神经网络，是能够优于任何个人的MAPF算法在我们的投资组合。
2019-06-15 cs.AI
Decentralised Approach for Multi Agent Path Finding
多代理路径查找（MAPF）需要识别代理的无冲突路径，这些路径可以是点大小的或具有维度的。在本文中，我们提出了一种方法MAPF空间扩展代理。这些发现应用在现实世界中的问题，如conventional运动问题，训练调度等，我们提出的方法，分散式多智能体路径查找（DeMAPF），处理MAPF作为一个序列的路径规划和分配问题，分别由两组代理旅行者和路由器，在多次迭代。分散的方法允许代理解决与自己相关的问题，而不知道同一集中的其他代理。这允许代理在独立的机器上执行，从而导致处理大型问题的可扩展性。我们证明，通过与其他分布式方法相比，该方法导致更快的收敛到一个无冲突的解决方案，这可能是次优的，与较少的内存需求。
2021-06-03 cs.AI cs.MA
AI Buzzwords Explained: Multi-Agent Path Finding (MAPF)
University of Southern California（南加州大学）
热点话题“多智能体路径寻找”的解释。
2017-10-17 cs.AI cs.MA 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
MS*: A New Exact Algorithm for Multi-agent Simultaneous Multi-goal Sequencing and Path Finding
Carnegie Mellon University（卡内基梅隆大学）；Texas A&M University（德克萨斯A&M大学）
在多智能体应用中，如监控和物流，移动代理的车队往往被期望协调和安全地访问大量的目标位置尽可能有效。在这些应用程序中的多智能体规划问题涉及分配和排序的目标，为每个代理，同时产生无冲突的代理路径。在这篇文章中，我们介绍了一种新的算法，称为MS*，它通过融合和推进多智能体路径查找（MAPF）和多旅行商问题（mTSP）的最新求解器来计算多智能体问题的最优解。MS* 利用我们先前的MAPF子维度扩展方法，并嵌入mTSP求解器，为智能体优化分配和排序目标。数值结果表明，我们的新算法可以解决20代理和50个目标的多智能体问题在一分钟的CPU时间在一个标准的笔记本电脑。
2021-03-18 cs.AI cs.RO
WebWeaver: Breaking Topology Confidentiality in LLM Multi-Agent Systems with Stealthy Context-Based Inference
Department of Electrical and Computer Engineering, Stevens Institute of Technology（斯蒂文斯理工学院电气与计算机工程系）；Genentech（基因泰克）；Department of Electrical and Computer Engineering, University of Houston（休斯顿大学电气与计算机工程系）
WebWeaver通过仅 compromise 一个任意智能体推断LLM多智能体系统的完整拓扑，采用隐蔽的基于上下文推断方法，提出新的隐蔽 jailbreak 机制和无 jailbreak 扩散设计，提升推断准确性。
2026-11-03 cs.AI cs.CR
Cooperative Reward Shaping for Multi-Agent Pathfinding
针对多智能体路径规划中因缺乏全局信息导致的协作不足问题，提出基于独立Q学习的协作奖励塑形方法，通过评估邻居影响并融入奖励函数促进分布式协作，实验表明在大量智能体场景中优于现有方法。
2024-07-15 cs.AI cs.RO
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
Heuristically Guided Compilation for Multi-Agent Path Finding
Czech Technical University in Prague（布拉格捷克理工大学）；Faculty of Information Technology（信息技术学院）
多智能体路径寻找（MAPF）是在共享环境中寻找连接智能体指定初始位置和目标位置的非冲突路径的任务。我们专注于基于编译的求解器，其中的MAPF问题表示在不同的良好建立的形式主义，如混合整数线性规划（MILP），布尔可满足性（SAT），或约束规划（CP）。由于这些形式主义的目标求解器充当黑盒，因此在基于MAPF编译的求解器中集成MAPF特定算法是具有挑战性的。在这项工作中，我们将展示如何建立一个MAPF编码的目标SAT求解器，在特定领域的启发式知识得到反映。通过为每个代理选择候选路径并仅为这些候选路径构建编码而不是为代理的所有可能路径构建编码，将启发式知识转移到SAT求解器。进行的实验表明，启发式指导编译优于基于SAT的MAPF求解器的香草变种。
2022-12-13 cs.AI cs.MA
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
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
Cooperative Pathfinding based on memory-efficient Multi-agent RRT*
在合作寻路问题中，需要规划将多个智能体从其起始位置带到其目的地的无冲突路径。多智能体RRT*（MA-RRT*）算法可以有效地解决这个问题，该算法仍然是耦合方法领域的最新技术。然而，该算法的实现在内存有限的系统中受到阻碍，因为树中的节点数量随着路径的优化而无限增长。本文提出了一种改进的MA-RRT*，称为多代理RRT* 固定节点（MA-RRT*FN），它通过删除路径上不太可能到达目标的弱节点来限制树中存储的节点数量。结果表明，MA-RRT*FN在可扩展性和解决方案质量方面与MA-RRT* 接近，而所需的内存要低得多且固定。
2020-03-04 cs.AI cs.MA
Multi-Agent Pathfinding Under Team-Connected Communication Constraint via Adaptive Path Expansion and Dynamic Leading
George Mason University（乔治·马歇尔大学）
本文提出了一种新的多智能体路径规划框架，解决在团队连接通信约束下路径规划的问题。通过自适应路径扩展和动态领导技术，有效处理通信约束下的路径规划，实验证明在不同环境中能高效处理大量智能体。
2026-02-03 cs.AI cs.MA cs.RO
Conflict-Based Search for Connected Multi-Agent Path Finding
Univ Rennes（雷恩大学）；CNRS（法国国家科学研究中心）；IRISA（法国雷恩信息与自动化系统研究所）；INRIA（法国国家信息与自动化研究所）
我们研究了一个变种的多智能体路径寻找问题（MAPF），其中代理人需要保持连接到彼此和指定的基地。这个问题在搜索和救援任务中有应用，其中整个执行必须由人类操作员监控。我们重新访问基于冲突的搜索算法已知的MAPF，并定义了一个变种，冲突产生于断开连接，而不是碰撞。我们研究优化，并给出实验结果，我们比较我们的算法与文献。
2020-06-05 cs.AI cs.MA
Solving Multi-Agent Multi-Goal Path Finding Problems in Polynomial Time
Charles University Prague（查尔斯大学布拉格）
本文提出在多项式时间内解决多智能体多目标路径寻找问题的新方法，通过全局分配策略和局部优化减少冲突，实现高效路径规划。
2025-12-17 cs.AI cs.MA
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
On the Computational Complexity of Multi-Agent Pathfinding on Directed Graphs
Albert-Ludwigs-Universität（阿尔伯特-路德维希大学）
多智能体有向图寻路的计算复杂性的确定是一个悬而未决的问题。对于无向图，可解性可以在多项式时间内确定，正如80年代已经证明的那样。此外，最近已经表明，一个特殊的情况下，有向图是可解的多项式时间。在本文中，我们证明了该问题是NP-困难的一般情况下。此外，一些上界被证明。
2022-09-17 cs.AI cs.CC
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
DMS*: Minimizing Makespan for Multi-Agent Combinatorial Path Finding
Shanghai Jiao Tong University（上海交通大学）；Carnegie Mellon University（卡内基梅隆大学）；Texas A&M University（德克萨斯农工大学）
本文针对多智能体组合路径寻找提出最小化最大到达时间的MCPF-max，并基于MS*设计推迟目标排序的DMS*算法，以提升计算效率，且在多达20个智能体、80个目标及差速驱动机器人上验证。
2024-06-03 cs.AI cs.RO
Finding Coordinated Paths for Multiple Holonomic Agents in 2-d Polygonal Environment
FEL, CTU in Prague（布拉格捷克理工大学电气工程学院）
避免冲突是自治移动代理系统的重要任务之一。我们专注于问题的连续协调路径的多个移动磁盘代理在2-D环境中的多边形障碍。该问题是PSPACE困难的，状态空间随着代理数量呈指数级增长。因此，现有技术的方法主要包括反应式技术和基于采样的迭代算法。我们比较了广泛使用的反应方法ORCA的性能与三种变体的流行的规划算法RRT* 应用于多智能体路径规划，并发现一种算法相结合的反应碰撞避免和RRT* 规划，我们称之为ORCA-RRT* 可以用来解决的情况下，是达到的技术。我们的实验表明：1）该算法的反应部分可以有效地解决许多涉及大量代理的多代理路径查找问题，RRT* 算法通常无法在有限的时间内找到解决方案，以及2）该算法的规划组件能够解决许多包含局部最小值的实例，其中反应技术通常失败。
2014-02-14 cs.AI cs.RO
Multi-Agent Path Finding with Deadlines: Preliminary Results
University of Southern California（南加利福尼亚大学）
我们形式化的问题多智能体路径发现的最后期限（MAPF-DL）。我们的目标是最大限度地提高代理，可以达到他们的给定的目标顶点从给定的开始顶点在给定的截止日期内，而不会相互碰撞。我们首先证明了MAPF-DL问题是NP-难最优解。然后，我们提出了一个最佳的MAPF-DL算法的基础上减少的MAPF-DL问题的流问题和随后的紧凑的整数线性规划制定的减少抽象的多商品流网络。
2018-05-13 cs.AI cs.MA
A Conflict-Based Search Framework for Multi-Objective Multi-Agent Path Finding
Carnegie Mellon University（卡内基梅隆大学）；Texas A&M University（德克萨斯农工大学）
传统的多智能体路径规划器通常在优化单个目标（例如路径长度）的同时计算路径的集合。然而，许多应用可能需要在规划期间同时优化多个目标，例如燃料消耗和完成时间，并且这些标准可能不容易比较，并且有时彼此竞争。因此，问题的目标是找到一组帕累托最优解，而不是一个单一的最优解。简单地将现有的多目标搜索算法（诸如多目标A*（MOA*））应用于多智能体路径查找可能被证明是低效的，因为搜索空间的维度随着智能体的数量呈指数增长。本文提出了一种名为多目标基于搜索（MO-CBS）的方法，该方法试图通过利用先前的基于搜索的搜索（CBS）（一种用于单目标多智能体路径查找的知名算法）和多目标优化文献中的优势原则来解决这种所谓的维数灾难。我们还开发了几种变体的MO-CBS，以提高其性能。我们证明了MO-CBS及其变体可以计算整个Pareto最优集。数值结果表明，MO-CBS优于最近开发的国家的最先进的多目标多智能体规划器。
2022-06-12 cs.AI cs.RO
$\textit{Agents Under Siege}$: Breaking Pragmatic Multi-Agent LLM Systems with Optimized Prompt Attacks
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Arizona State University（亚利桑那州立大学）；Cisco（思科）
针对多智能体LLM系统，提出排列不变对抗攻击，利用最大流最小费用和PIEL损失优化提示分布，在多种模型和数据集上攻击成功率提升高达7倍，并揭示现有防御失效。
2025-10-08 cs.AI cs.CL cs.LG
Loosely Synchronized Rule-Based Planning for Multi-Agent Path Finding with Asynchronous Actions
UM-SJTU Joint Institute（上海交通大学密西根学院）；Shanghai Jiao Tong University（上海交通大学）
本文针对多智能体路径寻找中的异步动作问题，提出结合LSS和PIBT的新规划器，通过寻找无界次优解来权衡解质量与可扩展性，在给定时间限制下能比基线处理多一个数量级的智能体。
2024-12-21 cs.AI cs.MA
Plan Execution for Multi-Agent Path Finding with Indoor Quadcopters
本文研究了多智能体路径搜索问题的规划和行动阶段。MAPF是一个导航代理从他们的开始位置到指定的个人目标位置，使代理不相互碰撞的问题。具体来说，我们专注于执行MAPF计划与一组Crazyflies，小型室内四轴飞行器。我们展示了如何修改现有的连续时间基于冲突的搜索算法（CCBS），以产生适合于执行的四轴飞行器的计划。行动阶段使用Loco定位系统来检查计划是否正确执行。我们的发现是，CCBS算法允许扩展，可以产生安全的四轴飞行器的计划，即圆柱形保护区周围的每个四轴飞行器可以在规划水平。
2022-07-06 cs.AI cs.RO
LaCAM: Search-Based Algorithm for Quick Multi-Agent Pathfinding
Tokyo Institute of Technology（东京工业大学）
我们提出了一种新的多智能体寻路（MAPF）的完整算法称为懒惰的约束添加搜索MAPF（LaCAM）。MAPF是在图上为多个智能体寻找无碰撞路径的问题，是多机器人协调的基础。LaCAM使用两级搜索来快速找到解决方案，即使有数百个代理或更多。在低层，它搜索关于代理的位置的约束。在高层，它搜索所有代理的位置序列，遵循由低层指定的约束。我们详尽的实验表明，LaCAM是可比的，或优于国家的最先进的次优MAPF算法在各种情况下，关于成功率，规划时间，和解决方案的总成本的质量。
2022-11-24 cs.AI cs.MA cs.RO
Subdimensional Expansion for Multi-objective Multi-agent Path Finding
Carnegie Mellon University（卡内基梅隆大学）；Texas A&M University（德克萨斯农工大学）
传统的多智能体路径规划器通常确定优化单个目标（诸如路径长度）的路径。然而，许多应用可能需要在规划过程中同时优化多个目标，例如完成时间和燃料使用。这些标准往往不容易比较，有时相互竞争。简单地将标准多目标搜索算法应用于多代理路径查找可能被证明是低效的，因为可能的解的空间的大小，即，帕累托最优集合可以随着代理的数量（搜索空间的维度）呈指数增长。本文提出了一种方法，绕过这个所谓的灾难的维度，利用我们以前的多智能体的工作与一个框架，称为子维扩展。当应用于A* 时，子维扩展的一个示例被称为M*，并且M* 被限制为单个目标函数。我们结合优势和子维扩展的原则，创建一个新的算法命名为多目标M*（M *），动态耦合代理规划只有当这些代理必须“互动”与对方。* * 有效地计算多个代理的完整帕累托最优集，并自然地权衡帕累托最优集的次优近似和计算效率。我们的方法是能够找到完整的帕累托最优集的问题实例与数百个解决方案，标准的多目标A* 算法无法在有限的时间内找到。
2021-07-10 cs.AI cs.RO
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
Resolving Head-On Conflicts for Multi-Agent Path Finding with Conflict-Based Search
Jilin University（吉林大学）
基于路径搜索（CBS）是解决多智能体路径搜索问题的一个流行框架。当在一个或两个子节点上进行拆分时，一些冲突会在这些子节点中引发可预见的冲突。本文介绍了一种新的技术，即迎面技术，发现这样的冲突，所以他们可以更有效地解决冲突与潜在的冲突一起在一个分裂。该技术适用于所有基于CBS的求解器。实验结果表明，迎面技术提高了国家的最先进的MAPF求解器CBSH。
2020-07-07 cs.AI cs.MA
Multi-agent Path Finding in Continuous Environment
Faculty of Information Technology Czech Technical University in Prague Prague, Czech Republic
针对连续环境下智能体沿平滑曲线移动的多智能体路径规划变体问题，提出结合高层CBS框架与低层RRT*的CE-CBS算法，实验证明其性能与连续时间MAPF等同类算法相当。
2024-09-16 cs.AI cs.MA
Multi-agent RRT*: Sampling-based Cooperative Pathfinding (Extended Abstract)
Czech Technical University in Prague（捷克布拉格技术大学）；Delft University of Technology（代尔夫特理工大学）
合作寻路是为多个移动代理寻找一组不冲突的轨迹的问题。它的应用包括移动机器人团队的规划，如自主飞机，汽车或水下航行器。用于协作寻路的最先进的算法通常依赖于一些启发式前向搜索寻路技术，其中A* 通常是选择的算法。在这里，我们提出了MA-RRT*，一种新的算法，多代理路径规划，建立在最近提出的渐近最优采样为基础的算法，寻找单代理最短路径称为RRT*。我们实验评估的算法的性能，并表明，基于采样的方法提供了更好的可扩展性比经典的前向搜索方法在相对较大，但稀疏的环境，这是典型的在现实世界中的应用，如多飞机防撞。
2013-02-12 cs.AI cs.MA cs.RO
A Competitive Analysis of Online Multi-Agent Path Finding
Simon Fraser University（西蒙菲莎大学）
我们研究在线多智能体路径查找（MAPF），新的代理人不断揭示随着时间的推移，所有的代理人必须找到无冲突的路径到他们给定的目标位置。我们推广现有的复杂性结果（离线）MAPF在线MAPF。我们根据（1）可控性（每次可以规划路径的代理集）和（2）合理性（规划路径的质量）将在线MAPF算法分为不同的类别，并研究它们之间的关系。我们进行了竞争分析，每一类的在线MAPF算法的常用目标函数。我们表明，一个天真的算法，路由新发现的代理商一次一个序列实现了竞争力的比率，是渐近有界的从下面和上面的代理商的数量相对于流时间和完工时间。然后，我们展示了一个反直观的结果，如果重新路由以前发现的代理是不允许的，任何合理的在线MAPF算法，包括计划的最佳路径为所有新发现的代理，有相同的渐近竞争比的天真算法，即使在二维4-邻居网格。我们还推导出任何合理的在线MAPF算法，允许重新路由的竞争比恒定的下界。因此，结果提供了理论上的见解，使用MAPF算法在在线设置的有效性第一次。
2021-06-22 cs.AI cs.MA cs.RO
S$^2$-MAD: Breaking the Token Barrier to Enhance Multi-Agent Debate Efficiency
University of Science and Technology of China（中国科学技术大学）；Harbin Institute of Technology（哈尔滨工业大学）；National University of Singapore（新加坡国立大学）
针对多智能体辩论（MAD）令牌成本过高的问题，提出稀疏化策略S$^2$-MAD，通过减少无效讨论在保持性能下降低于2.0%的同时降低高达94.5%的令牌成本。
2025-04-10 cs.AI cs.CL
Distributed Heuristic Multi-Agent Path Finding with Communication
Simon Fraser University（西蒙弗雷泽大学）
多智能体路径搜索（MAPF）是大规模机器人系统的关键。最近的方法已经应用强化学习（RL）学习分散的政策在部分可观察的环境。获得无冲突策略的一个基本挑战是，代理需要学习合作来处理拥塞的情况。本文将通信与深度Q学习相结合，为MAPF提供了一种新的基于学习的方法，其中代理通过图卷积实现合作。为了指导RL算法在长期目标导向的任务，我们嵌入了潜在的选择，从单一来源的最短路径作为启发式指导，而不是使用一个特定的路径，在大多数现有的作品。我们的方法独立对待每个代理，并从单个代理的角度训练模型。最终训练的策略应用于每个代理，以分散执行。整个系统在训练期间是分布式的，并且在课程学习策略下进行训练。在障碍物丰富的环境中的实证评估表明，我们的方法的平均步长低，成功率高。
2021-06-21 cs.AI cs.MA cs.RO
Proximal operators for multi-agent path planning
Boston College（波士顿学院）；Wentworth Institute of Technology（温特沃斯理工学院）；Disney Research Boston（迪士尼波士顿研究院）
我们解决的问题，规划多个代理的无冲突路径，使用被称为邻近算法的优化方法。最近，Bento等人在2013年探索了这种方法，该方法证明了其易于并行化和分散化，算法生成高质量解决方案的速度，以及其结合不同邻近算子的能力，每个算子都确保路径满足所需的属性。不幸的是，衍生的运营商只适用于2D中的路径，并要求我们可能希望代理遵循的任何中间路点被预先分配给特定的代理，限制了它们的适用范围。在本文中，我们解决了这些局限性。我们引入了新的运营商来处理代理移动在任意维度上，比他们的2D前辈更快地计算，我们引入地标，时空位置，自动分配给一组代理根据不同的最优性标准。最后，我们报告的性能的新运营商在几个数值实验。
2015-04-07 cs.AI cs.RO math.OC
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
Multi-Agent Path Finding with Delay Probabilities
University of Southern California（南加州大学）
几个最近开发的多智能体路径查找（MAPF）求解器通过在2个级别上搜索MAPF计划来扩展到大型MAPF实例：高级搜索解决智能体之间的冲突，低级搜索在高级搜索施加的约束下为单个智能体规划路径。我们做了以下贡献，以解决具有小平均完工时间的不完美计划执行的MAPF问题：首先，我们形式化了具有延迟概率的MAPF问题（MAPF-DP），定义了有效的MAPF-DP计划，并提出了对有效的MAPF-DP计划使用鲁棒的计划执行策略来控制每个代理如何沿着其路径进行。我们讨论了两类分散的鲁棒计划执行策略（称为完全同步策略和最小通信策略），它们在有效的MAPF-DP计划的计划执行期间防止冲突。第三，我们提出了一个2级MAPF-DP求解器（称为近似最小化的期望），产生有效的MAPF-DP计划。
2016-12-15 cs.AI cs.MA cs.RO
Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models
University of Virginia（弗吉尼亚大学）；University of California（加利福尼亚大学）
本文提出将约束优化与扩散模型相结合的新方法，解决连续空间中多智能体路径寻找问题，直接生成满足碰撞避免和运动学约束的可行轨迹。
2024-12-23 cs.AI cs.LG cs.RO
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
Safe and Interpretable Multimodal Path Planning for Multi-Agent Cooperation
Johns Hopkins University（约翰霍普金斯大学）
CaPE通过多模态路径规划实现安全且可解释的多智能体协作，利用视觉-语言模型和模型基于规划器确保路径调整的安全性和可解释性。
2026-02-22 cs.AI cs.HC cs.MA
Lifelong Multi-Agent Path Finding in Large-Scale Warehouses
University of Southern California（南加州大学）；Amazon Robotics（亚马逊机器人）
多智能体路径查找（MAPF）是移动一组代理到他们的目标位置没有冲突的问题。在本文中，我们研究了MAPF的终身变体，其中代理人不断与新的目标位置，如在大型自动化仓库。我们提出了一个新的框架滚动地平线冲突解决（RHCR）解决终身MAPF分解成一系列的窗口MAPF实例，其中一个窗口MAPF求解器解决的路径之间的冲突，只有在一个有限的时间范围内的代理，并忽略碰撞超出它，RHCR是特别适合于生成柔韧的计划，适应不断到达新的目标位置。我们用各种MAPF求解器对RHCR进行了经验评估，结果表明，它可以为模拟仓库实例的多达1,000个代理（=地图上空单元格的38.9%）生成高质量的解决方案，显著优于现有的工作。
2021-03-12 cs.AI cs.MA cs.RO
Multi Agent Path Finding using Evolutionary Game Theory
University of Southern California（南加州大学）
在本文中，我们考虑的路径发现问题的一组同质和自主智能体导航先前未知的随机环境。在我们的问题设置中，每个代理试图最大化给定的效用函数，同时尊重安全属性。我们的解决方案基于进化博弈论的思想，即复制表现良好的政策，减少表现不佳的政策。我们做了一个全面的比较与相关的多智能体规划方法，并表明，我们的技术击败最先进的RL算法在最小化路径长度近30%，在大空间。我们表明，我们的算法在计算上比深度RL方法快至少一个数量级。我们还表明，它的规模更好地与代理数量的增加相比，其他方法，特别是路径规划方法。最后，我们经验证明，我们学习的政策是进化稳定的，因此不受任何其他政策的入侵。
2022-12-05 cs.AI cs.GT cs.MA
PathFinder: A Multi-Modal Multi-Agent System for Medical Diagnostic Decision-Making Applied to Histopathology
University of Washington（华盛顿大学）；Microsoft Research（微软研究院）；David Geffen School of Medicine, UCLA（加州大学洛杉矶分校大卫·格芬医学院）；Allen Institute for AI (AI2)（艾伦人工智能研究所）
针对WSIs诊断的规模与复杂性挑战，本文提出模拟病理学家决策的多模态多智能体框架PathFinder，其集成四个智能体协作完成诊断，在黑色素瘤诊断中优于现有方法8%且超病理学家平均表现9%，具高可解释性。
2025-02-13 cs.AI cs.CL cs.CV
MAD-OPD: Breaking the Ceiling in On-Policy Distillation via Multi-Agent Debate
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）；Alibaba Group（阿里巴巴集团）
MAD-OPD通过多智能体辩论机制突破单教师限制，提出多教师辩论框架和基于任务的分歧原理，提升代理任务和代码生成性能。
2026-05-02 cs.AI cs.CL cs.LG
Prioritized SIPP for Multi-Agent Path Finding With Kinematic Constraints
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Federal Research Center “Computer Science and Control” RAS（俄罗斯科学院“计算机科学与控制”联邦研究中心）
多智能体路径寻找（Multi-Agent Path Finding，MAPF）是机器人学和人工智能领域中的一个长期存在的问题，它需要为一组在共享工作空间中运行的移动智能体（Robots）寻找一组无碰撞路径。由于其重要性，该问题得到了很好的研究，并有多种最佳和近似算法。然而，他们中的许多人抽象远离运动学约束，并假设代理可以瞬间加速/减速。这使得算法在真实机器人上的应用变得复杂。在本文中，我们提出了一种方法，在一定程度上缓解了这个问题。建议的求解器本质上是一个基于著名的安全间隔路径规划（SIPP）算法的优先级规划器。在SIPP中，我们明确地推理速度和加速度，因此构造的计划直接考虑代理的运动学约束。我们提出了一系列的启发式功能的设置和建议的算法进行了彻底的实证评估。
2021-08-11 cs.AI cs.MA cs.RO
Breaking Babel: A Self-Evolving Multi-Agent System for Long-Form Subtitle Translation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon（亚马逊）
提出自进化多智能体系统SMART，通过动态路由、多智能体混合及裁判优化循环，实现长篇字幕翻译，并在Subtitle Arena和MuSC基准上取得最优性能。
2026-10-02 cs.AI cs.CL cs.CV
