Optimizing Traffic Lights with Multi-agent Deep Reinforcement Learning and V2X communication
Harbin Engineering University(哈尔滨工程大学)
我们考虑使用多智能体深度强化学习和车辆到一切(V2X)通信来优化交通信号持续时间的系统。该系统旨在分析多智能体的独立和共享的奖励,以控制交通灯的持续时间。学习代理交通灯在圆形V2X覆盖范围内沿其车道获取信息。交通灯的持续时间周期被建模为马尔可夫决策过程。我们研究了四种不同的奖励函数。前两个是非共享奖励:基于等待数量和两个红绿灯周期之间的车辆等待时间。第三和第四个功能是:基于等待车辆的共享奖励,以及所有代理的等待时间。每个代理都有一个内存,用于通过目标网络进行优化和优先级经验重放。我们通过城市移动性模拟(SUMO)模拟器评估多智能体。结果表明,该系统可以有效地优化交通信号,与传统的周期性交通控制系统相比,平均等待车辆减少到41.5%。
2020-02-23 cs.AI cs.LG cs.MA
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
winPIBT: Extended Prioritized Algorithm for Iterative Multi-agent Path Finding
Tokyo Institute of Technology(东京工业大学)
多智能体路径查找(MAPF)的问题在于提供有效的路径,同时防止碰撞的代理。由于MAPF对于自动化仓库等实际应用至关重要,迄今为止已经开发了许多求解器。最近提出的优先级回溯继承(PIBT)是一个很有前途的解耦方法,解决MAPF迭代灵活的优先级。该方法的目标是分散的,并且具有非常低的计算成本,但它是短视的,因为它只提前一步进行规划,因此偶尔会导致低效的规划。这项工作提出了一个泛化的PIBT,称为窗口PIBT(winPIBT),介绍了一个可配置的时间窗口。winPIBT允许代理计划路径,预测前面的多个步骤。我们证明了,类似于PIBT,所有的代理到达自己的目的地在有限的时间内,只要环境是一个图有足够的属性,例如,双连接的在各种情况下的实验结果证实,winPIBT缓解活锁的情况下发生在PIBT,并通常计划更有效的路径给出足够的窗口大小。
2020-12-14 cs.DC cs.MA cs.RO
Adaptive Selection of Informative Path Planning Strategies via Reinforcement Learning
Lincoln Institute for Agri-food Technology, University of Lincoln(林肯大学农业食品技术林肯研究所)
在我们以前的工作中,我们设计了一个系统的政策,优先采样位置,导致空间插值的精度显着提高,通过使用高斯过程回归(GPR)的预测不确定性作为“吸引力”部署机器人的路径规划。虽然与旅行商问题(TSP)求解器的集成也显示出产生相对较短的旅行距离,但我们在这里假设了几个因素,这些因素也可能降低整体预测精度,因为次优位置最终可能包含在其路径中。为了解决这个问题,在本文中,我们首先探索“本地规划”的方法,采用各种空间范围内的下一个采样位置的优先级,调查其对预测性能的影响,以及所产生的旅行距离。此外,基于强化学习(RL)的高级控制器被训练为从特定的局部规划器集合自适应地产生混合计划,以根据最新的预测状态从该选择中继承独特的优势。我们对温度监测机器人用例的实验表明,规划者的动态混合不仅可以生成单个规划者无法单独创建的复杂的、信息丰富的计划,而且还可以确保在不牺牲预测可靠性的情况下显著减少旅行距离,而无需任何额外的最短路径计算模块的帮助。
2021-08-14 cs.AI cs.LG cs.RO
Prioritized experience replay-based DDQN for Unmanned Vehicle Path Planning
Peking University(北京大学);Northeastern University(东北大学);New York University(纽约大学)
针对传统算法在复杂环境下易陷入死区的问题,提出结合优先经验回放的DDQN路径规划算法,实验证明其在速度、准确性和突破死区能力上显著优于其他方法。
2024-06-25 cs.RO cs.SY eess.SY
QoS and Jamming-Aware Wireless Networking Using Deep Reinforcement Learning
Intelligent Automation Inc.(智能自动化公司);U.S. Army C5ISR(美国陆军C5ISR);University of Minnesota(明尼苏达大学);The Pennsylvania State University(宾夕法尼亚州立大学)
研究了在受到外部窃听和干扰攻击的对抗性无线网络中的服务质量和干扰感知通信问题。为了确保强大的通信对干扰,干扰感知路由协议的开发,使节点能够避免通信孔的干扰攻击。然后,提出了一种基于深度强化学习的分布式协作框架,该框架允许节点评估网络状况,并就是否参与数据通信、保护网络免受干扰和窃听攻击或干扰其他传输做出深度学习驱动的分布式实时决策。其目标是最大限度地提高网络性能,包括吞吐量,能源效率,延迟和安全指标。仿真结果表明,所提出的干扰感知路由方法对干扰是鲁棒的,并且当吞吐量被优先考虑时,所提出的深度强化学习方法可以实现吞吐量的显着(测量为三倍)增加,与具有分配给节点的固定角色的基准策略相比。
2019-10-13 cs.LG cs.NI
Searching with Consistent Prioritization for Multi-Agent Path Finding
University of Southern California(南加州大学);Monash University(莫纳什大学)
我们研究了多智能体路径搜索(MAPF)的优先规划。现有的优先级MAPF算法依赖于经验法则和随机分配,以确定一个固定的总优先级排序的所有代理先验。相反,我们探索空间的所有可能的部分优先级排序的一部分,一个新的系统和冲突驱动的组合搜索框架。在各种实证比较中,我们展示了最先进的解决方案质量和成功率,通常与现有算法具有相似的运行时间。我们还开发了新的理论成果,探索优先规划的局限性,在完整性和最优性方面,首次。
2018-12-15 cs.AI cs.MA cs.RO
Accelerating Distributed Deep Reinforcement Learning by In-Network Experience Sampling
Keio University(庆应义塾大学)
将多个计算节点互连的计算集群用于加速基于DQN(Deep Q-Network)的分布式强化学习。在分布式强化学习中,Actor节点通过与给定环境交互来获取经验,而Learner节点优化其DQN模型。由于Actor和Learner节点之间的数据传输会根据Actor节点的数量及其经验大小而增加,因此它们之间的通信开销是主要的性能瓶颈之一。本文通过基于DPDK的网络优化来加速它们的通信,并在Actor和Learner节点之间部署基于DPDK的低延迟体验回放存储服务器,该服务器通过40 GbE(40 Gbit Ethernet)网络互连。评估结果表明,作为一种网络优化技术,内核绕过DPDK减少了32.7%至58.9%的网络访问延迟到共享内存服务器。作为另一种网络优化技术,行动者和学习者节点之间的网络内经验重放存储器服务器将对经验重放存储器的访问延迟减少了11.7%至28.1%,并且将用于优先化经验采样的通信延迟减少了21.9%至29.1%。
2023-03-10 cs.DC cs.LG
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
PER-DPP Sampling Framework and Its Application in Path Planning
本文提出PER-DPP采样框架,将行列式点过程多样性评估与优先级经验回放结合,并集成弹性步长DQN,以解决强化学习路径规划中的样本同质性问题,提升导航路径的长度效率和方向稳定性。
2025-03-10 cs.LG cs.RO math.OC
Prioritized Multi-agent Path Finding for Differential Drive Robots
Federal Research Center for Computer Science and Control of RAS(俄罗斯科学院计算机科学与控制联邦研究中心);Higher School of Economics(高等经济学院);Peoples’ Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学);Kurchatov Institute(库尔恰托夫研究所)
用于移动机器人机群的无碰撞轨迹的集中规划的方法通常解决问题的离散化版本,并且依赖于许多简化假设,例如均匀持续时间的移动、仅基本平移、机器人的相等速度和大小等,因此,所得到的计划不能总是由真实的机器人系统直接执行。为了缓解这个问题,我们建议对突出的优先级规划器- AA-SIPP(m)-进行一系列修改,旨在解除最具限制性的假设(同步翻译仅移动,机器人的大小和速度相等),并为解决方案提供鲁棒性。我们评估建议的算法在模拟和差分驱动机器人在典型的实验室环境(室内多边形与外部基于视频的导航系统)。评估的结果提供了一个明确的证据,该算法的规模以及大量的机器人(高达数百模拟),并能够产生的解决方案,安全地执行的机器人容易不完善的轨迹跟踪。实验的视频可以在https://youtu.be/Fer_irn4BG0上找到。
2019-11-24 cs.MA cs.RO
Graph Coloring to Reduce Computation Time in Prioritized Planning
Chair of Embedded Software, RWTH Aachen University(亚琛工业大学嵌入式软件主席席位);Department of Aerospace Engineering, University of the Bundeswehr Munich(慕尼黑联邦国防军大学航空航天工程系)
本文提出一种基于图着色的去中心化优先级排序方法,通过缩短耦合DAG中的最长路径,减少多智能体路径规划(MAPF)中优先级规划(PP)的计算时间,并在CAV运动规划中验证了有效性。
2025-01-18 cs.AI cs.MA cs.RO
Efficient Object Manipulation to an Arbitrary Goal Pose: Learning-based Anytime Prioritized Planning
Zhejiang University(浙江大学)
我们专注于一个任意的目标姿态,其中一个机器人应该挑选一个指定的对象放置在目标位置与特定的方向的对象操作的任务。但由于夹持器执行空间的限制,一步拾取、移动和释放可能会失败,需要重新定位物体位姿作为过渡。在本文中,我们提出了一个学习驱动的任何时候优先搜索的求解器,找到一个可行的解决方案,在短时间内具有低路径成本。在我们的工作中,这个问题被制定为一个分层学习问题,高层次的寻找一个重新定位的对象姿势,和低层次的规划相邻的把握之间的路径。我们学习了一个离线训练路径成本估计器来预测近似的路径规划成本,这些成本作为伪奖励,允许在不与模拟器交互的情况下对高级规划器进行预训练。为了解决成本网与实际执行成本空间分布不匹配的问题,采用仿真交互的方式进行精细化训练。仿真和实际实验结果表明,该系统能够以较少的时间和代价完成目标操作任务。
2022-02-27 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
Handover and SINR-Aware Path Optimization in 5G-UAV mmWave Communication using DRL
Institute of Information Science and Technologies (ISTI) CNR(国家研究委员会信息科学与技术研究所(ISTI))
针对动态信道下UAV毫米波通信的路径优化问题,提出无模型AC-DRL框架,综合飞行时间、切换、连接性和SINR,实现最短时间、最少切换与高SINR的最优路径决策。
2025-04-03 cs.LG cs.NI eess.SP
Prioritized Planning for Cooperative Range-Only Localization in Multi-Robot Networks
Massachusetts Institute of Technology(麻省理工学院);Woods Hole Oceanographic Institution(伍兹霍尔海洋研究所)
我们提出了一种新的路径规划算法,以减少定位误差的机器人网络合作定位通过机器人间的距离测量。利用距离测量进行定位的质量取决于网络的配置,并且差的配置可能导致大量的定位误差。为了减少网络配置对移动网络的定位误差的影响,我们考虑了Fisher信息矩阵(Fisher information matrix,简称HMF)的各种最优性测度,这些测度与定位误差之间的关系已经得到了很好的研究。特别是,我们提出了一个轨迹规划问题的约束条件的最优措施。通过约束这些最优性度量,我们可以控制定位误差的统计特性。为了有效地生成满足这些约束的轨迹,我们提出了一个优先级规划器,它利用基于图形的规划和独特的属性的范围内只有约束。我们在模拟实验中显示的结果表明,我们的算法生成的轨迹减少最坏情况下的定位误差高达42%相比,现有的规划方法,并可以可扩展地规划大量的机器人在复杂的环境中的距离有效的轨迹。
2021-09-10 cs.RO
Complete, Scalable, and Robust Prioritized Planning for Multi-Robot Ordered Storage and Retrieval at Maximum Capacity
Rutgers University(罗格斯大学)
该研究针对最大容量下多机器人有序存取问题,提出利用无重排布局特性的在线优先多智能体路径规划算法,实现可扩展且鲁棒的规划,完工时间随机器人数量近线性提升,处理不确定性时执行速度无显著损失。
2026-08-20 cs.AI cs.MA cs.RO
Asynchronous Decentralized Algorithm for Space-Time Cooperative Pathfinding
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)
合作寻路是一个多智能体路径规划问题,其中一组车辆搜索相应的一组非冲突的时空轨迹。许多实用的方法集中解决合作寻路问题的优先级规划策略的基础上。然而,在某些领域(例如,无人驾驶飞行器、自主水下航行器或无人驾驶地面航行器的多机器人团队),由于域和/或隐私问题所施加的通信限制,分散式方法可能比集中式方法更可取。在本文中,我们提出了一个异步分散的优先级规划ADPP和它的可中断版本IADPP的变种。该算法利用分布式系统固有的并行性,并允许加快计算过程。与同步规划方法不同,该算法允许代理立即对其他代理的路径更新做出反应,并调用其本地时空路径规划器来找到最佳轨迹,作为对其他代理选择的响应。我们提供了一个证明的算法的正确性和实验评估他们的合成域。
2012-10-25 cs.AI cs.DC cs.RO
Well-Connected Set and Its Application to Multi-Robot Path Planning
Rutgers, the State University of New Jersey(罗格斯大学(新泽西州立大学))
研究最大良连通集(LWCS)问题,证明其NP完备性,开发最优与近最优算法,并提出完备的优先规划方法用于多机器人路径规划。
2024-02-19 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
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
SPARCAS: A Decentralized, Truthful Multi-Agent Collision-free Path Finding Mechanism
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
我们提出了一个分散的碰撞避免机制,一组独立控制的机器人在一个共享的工作空间。现有的算法实现多机器人碰撞避免(a)在一个集中的设置,或(b)在一个分散的设置与协作机器人。我们专注于在分散的环境中与竞争机器人的设置,在那里机器人可能会策略性地透露他们的信息以获得优先级。我们提出的机制SPARCAS在这种情况下,使用机制设计的原则,确保真实的机器人的私人信息的启示,并提供本地有效的移动的机器人。它没有碰撞和死锁,并处理机器人的动态到达。在实践中,这种机制很好地扩展了大量的机器人,其中最佳的避免碰撞的路径查找算法(M*)不缩放。然而,SPARCAS并没有过多地损害路径最优性。我们的机制按照机器人的“真正”更高需求的顺序对它们进行优先级排序,但支付更高的费用。它使用货币转移,与机器人收到的价值相比,这是足够小的。
2019-09-18 cs.MA 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
Safe Interval RRT* for Scalable Multi-Robot Path Planning in Continuous Space
Sogang University(西江大学)
针对连续空间多机器人路径规划(MRPP)因组合特性和连续状态空间导致搜索空间过大的问题,提出一种两级方法,低层用基于采样的SI-RRT*规划器找单机器人无碰撞轨迹,高层用SI-CPP或SI-CCBS解决机器人间冲突,实验证明其能快速找到高质量解且可扩展性更优。
2025-02-11 cs.AI cs.MA cs.RO
Dynamic Prioritization for Conflict-Free Path Planning of Multi-Robot Systems
Indian Institute of Technology Gandhinagar(印度理工学院甘地纳加尔分校)
多机器人系统(MRS)的无碰撞路径规划是一个具有挑战性的问题,因为现实世界的解决方案所要求的安全性和效率的约束。即使耦合路径规划方法为MRS的每个代理提供最佳的无碰撞路径,它们搜索所有代理的复合空间,因此,随着机器人的数量,计算量呈指数增长。另一方面,优先级的方法提供了一个实用的解决方案,大量的机器人的应用程序,特别是当路径计算时间和避免碰撞优先于保证全局最优解。虽然大多数集中规划的算法使用静态优先级,动态优先级算法,PD*,提出了采用一种新的度量,称为自由度指数,决定在每个时间步的机器人的优先顺序。这使得PD* 算法能够同时为所有机器人规划下一步,同时确保在充满障碍物的环境中无碰撞操作。进行了大量的模拟,以测试和比较所提出的PD* 计划与其他国家的最先进的算法的性能。有人发现,PD* 提高了25%的计算时间,同时提供类似的路径长度的解决方案。效率的提高在具有大量机器人和/或较高障碍物密度的场景中特别突出,其中碰撞的概率较高,这表明PD* 在解决此类问题时的适用性。
2021-01-06 cs.MA cs.RO
Decoupling Geometric Planning and Execution in Scalable Multi-Agent Path Finding
本文提出一种混合优先级框架,将几何规划与执行时的冲突解决解耦,通过几何冲突预emption和去中心化局部控制器实现高效多智能体路径寻找,实验表明方法在大规模实例中具有线性运行时间趋势和100%成功率。
2026-04-07 cs.MA cs.RO
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
Flow-Based Integrated Assignment and Path-Finding for Mobile Robot Sorting Systems
University of California Berkeley(加州大学伯克利分校)
快递公司正在部署更多的机器人分拣系统,移动机器人被用来按目的地对收到的包裹进行分拣。在这项研究中,我们提出了一个集成的分配和路径查找方法,机器人在这样的分拣系统。该方法分为离线和在线两部分。在离线部分,我们将系统表示为一个交通流网络,利用随机模型建立了一个近似的延迟函数,并求解了最小费用网络流问题。在在线部分,机器人被引导通过系统根据计算出的最佳流分裂概率。该方法的在线计算是分散的,具有线性复杂度。我们的方法优于快速多智能体路径规划算法,如优先规划,因为这样的算法导致随机用户平衡交通分配。相比之下,我们的方法给出了近似的系统最优交通分配。根据我们的模拟,我们的方法可以获得10%-20%的吞吐量比分区或随机分配。我们还表明,我们的方法是强大的,即使初始需求估计是不准确的。
2023-03-07 cs.RO cs.SY eess.SY
Multi-agent Path Finding for Cooperative Autonomous Driving
Massachusetts Institute of Technology(麻省理工学院);Laboratory for Information & Decision Systems (LIDS)(信息与决策系统实验室)
本研究结合多智能体路径规划算法与无信号交叉口网联自动驾驶车辆通行优化思路,提出OBS-KATS算法,性能显著优于现有方法,可应用于同类交通与多机器人场景。
2024-02-01 cs.AI cs.MA cs.RO
Learning Selective Communication for Multi-Agent Path Finding
The University of Hong Kong(香港大学);Simon Fraser University(西蒙弗雷泽大学);University of Waterloo(滑铁卢大学)
通过深度强化学习(RL)或模仿学习(IL)进行学习通信最近已被证明是解决多智能体路径查找(MAPF)的有效方法。然而,现有的基于通信的MAPF求解器专注于广播通信,其中代理将其消息广播到所有其他或预定义的代理。它不仅不切实际,而且会导致冗余信息,甚至可能损害多智能体合作。一个简洁的通信方案应该了解哪些信息是相关的,并影响每个代理的决策过程。为了解决这个问题,我们考虑了一个请求-答复的情况下,并提出了决策因果通信(DCC),一个简单而有效的模型,使代理选择邻居进行通信在训练和执行。具体地说,只有当一个邻居的存在导致中央代理的决策调整时,这个邻居才被确定为相关的和有影响力的。这种判断仅基于Agent的局部观察来学习,因此适合于分散执行来处理大规模问题。在障碍物丰富的环境中的实证评估表明,我们的方法具有低通信开销的高成功率。
2021-12-23 cs.AI cs.MA cs.RO
Communication-Aware Map Compression for Online Path-Planning
Georgia Institute of Technology(佐治亚理工学院);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
针对移动机器人在线路径规划中的地图信息通信问题,提出由路径引导、权衡分辨率与通信成本的顺序压缩框架,并通过凸优化解码器和编码器实现约50%的平均信息减量。
2023-09-23 cs.MA cs.RO
Sampling-Based Multi-Modal Multi-Robot Multi-Goal Path Planning
Computational Robotics Lab ETH Zürich(机器人计算实验室ETH Zurich)
本文提出基于采样的多机器人多目标路径规划方法,解决多机器人协同任务中的路径规划问题,实现概率完备和渐进最优的规划算法。
2026-04-17 cs.RO
Priority-Aware Multi-Robot Coverage Path Planning
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);Korea Military Academy (KMA)(韩国军事学院);University of California, Riverside (UCR)(加州大学河滨分校);Omelet
本文提出优先感知多机器人覆盖率路径规划方法,通过两阶段框架结合贪心分配与局部搜索,有效减少优先区域延迟并优化完成时间。
2026-01-02 cs.AI cs.MA cs.RO
Finding Near-optimal Solutions in Multi-robot Path Planning
Agent Technology Center, Dept. of Computer Science, Faculty of Electrical Engineering, CTU in Prague(布拉格捷克理工大学电气工程学院计算机科学系智能体技术中心);Algorithmics, EEMCS, Delft University of Technology(代尔夫特理工大学电气工程、数学与计算机科学学院算法组);iRobot Inc., Pasadena(iRobot公司(帕萨迪纳))
我们处理的问题,规划无碰撞的机器人在共享空间中运行的轨迹。给定每个机器人的起始位置和目的地位置,任务是找到所有机器人的轨迹,以最小的总成本到达目的地,使得机器人在遵循找到的轨迹时不会碰撞。我们的方法从每个机器人的单独最佳轨迹开始,然后因与其他机器人碰撞而受到惩罚。惩罚逐渐增加,并且迭代地重新规划各个轨迹以考虑增加的惩罚,直到找到无碰撞的解决方案。我们发现,这样的惩罚方法在最优值已知的情况下构造出具有接近最优值的成本的轨迹,并且在其他情况下,其成本比优先规划生成的轨迹低4- 10%,并且最高可达40%。这比通过局部碰撞避免技术(例如ORCA)生成的轨迹更便宜。
2014-10-20 cs.RO
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
Online Re-Planning and Adaptive Parameter Update for Multi-Agent Path Finding with Stochastic Travel Times
Panasonic Holdings Corporation(松下控股株式会社);Ritsumeikan University(立命馆大学)
本研究探讨多智能体路径搜寻问题,行程时间为连续且随机,且其机率分布未知。我们的目的是管理一组自动化机器人,在行人和各种机器人共存的建筑物中提供包裹递送服务,例如办公楼,医院和公寓的递送服务。在这些现实世界的应用中,机器人穿越走廊所需的时间通常是连续的,并且是随机分布的,并且旅行时间的概率分布的先验知识是有限的。多智能体路径搜索已被广泛研究和应用于机器人管理系统,然而,在这样的环境中,机器人操作自动化仍然是困难的。我们建议1)在线重新规划更新的机器人的行动计划,而它的执行,和2)参数更新估计的概率分布的行程时间使用贝叶斯推理的延迟观察。我们使用一个贪婪的启发式,以获得在有限的计算时间的解决方案。通过模拟,我们经验比较我们的方法的性能,现有的方法在冲突概率和机器人的实际行程时间。仿真结果表明,所提出的方法可以找到至少50%的旅行路径,减少冲突和更短的实际总行程时间比现有的方法。所提出的方法需要少量的试验,以实现性能,因为参数更新的优先级上的重要边缘的路径规划,从而满足快速实施的鲁棒规划的自动化交付服务的要求。
2023-02-03 cs.MA cs.RO
PKE-RRT: Efficient Multi-Goal Path Finding Algorithm Driven by Multi-Task Learning Model
Waseda University(早稻田大学)
提出PKE-RRT算法,利用多任务学习模型PKE估计局部路径长度并预测启发式信息,结合优先访问顺序,高效解决多目标路径查找问题,实验验证其性能优越。
2023-12-22 cs.RO
Communication and Energy-Aware Multi-UAV Coverage Path Planning for Networked Operations
Department of Electrical Engineering, Indian Institute of Technology Kanpur(电子工程系,印度理工学院坎浦尔)
针对需持续通信的多无人机覆盖任务,提出通信与能量感知的mCPP方法,通过优化能量与连通半径组合生成路径,仿真与三机实验验证有效,通信范围匹配度达99%。
2025-04-21 cs.RO
UAV Trajectory and Communication Co-design: Flexible Path Discretization and Path Compression
Beijing University of Posts and Telecommunications(北京邮电大学);National University of Singapore(新加坡国立大学)
无人机通信系统的性能优化要求对无人机的航迹和通信进行有效的联合设计。为了解决无人机连续时间轨迹优化中设计变量无穷大的问题,一种常用的方法是在三维空间中用分段线性路径段来近似无人机轨迹。然而,当UAV飞行周期/距离变长时,这种方法在实践中仍然可能导致过高的计算复杂性,因为连续航路点之间的距离需要保持足够小以保持高近似精度。为了解决这一基本问题,本文提出了一种新的和通用的无人机轨迹和通信协同设计框架。首先,我们提出了一个灵活的路径离散化方案,优化只有一些选定的航路点(可设计航路点)沿无人机路径的复杂性降低,而所有的可设计和不可设计航路点用于计算近似的通信效用沿无人机轨迹,以确保高的轨迹离散化精度。接下来,给定任意数量的可设计航路点,我们提出了一种新的路径压缩方案,其中无人机3D路径首先被分解为三个一维(1D)子路径,然后通过叠加由其相应的路径系数加权的多个选定的基本路径来近似每个子路径,从而进一步降低路径设计的复杂性。最后,我们提供了一个案例研究无人机的轨迹设计从分布式地面传感器的空中数据采集,数值计算表明,所提出的计划可以显着降低无人机轨迹设计的复杂性,但实现良好的速率性能相比,传统的路径/时间离散计划。
2020-10-14 cs.IT cs.NI cs.RO
Simultaneous Intermittent Communication Control and Path Optimization in Networks of Mobile Robots
Duke University(杜克大学)
本文提出了一种间歇通信框架,通过移动机器人在连接移动图的边缘移动并仅在节点相遇时通信,实现网络的间歇连通性和路径优化,同时通过局部LTL公式分解和分布式冲突解决方案保证全局LTL公式的满足。
2016-09-22 cs.MA cs.RO cs.SY
An Efficient Approach to Communication-aware Path Planning for Long-range Surveillance Missions undertaken by UAVs
在使用无人机进行远程监视任务时,必须进行车辆的路径规划,因为这些是无人驾驶车辆。路径规划,无论是离线还是在线,都需要将路径设置为3D欧几里得空间中的一系列位置,其坐标恰好是纬度,经度和高度。对于非城市地形中长线性基础设施的远程监视的特定应用,连续3D-ESP问题实际上需要两个重要的标量成本。第一个标量成本是沿着计划路径行驶的距离。由于无人机是电池供电的,因此需要在任何代价下,任务的固定起始位置和目标位置之间的路径长度都应最小。另一个标量成本是在远程监视任务期间通过安装在无人机腹部的摄像头传输获取的视频的成本。由于监控目标的长度是长的线性基础设施,因此生成的视频量非常高,并且通常不能完整地存储在船上。如果沿原始路径的某些段的连接性较差,为了提高视频传输速率,信号的传输功率保持较高,这反过来又消耗更多的电池能量。因此,需要一种同时也改善了所谓的通信成本的路径。这两个成本权衡,因此需要帕累托优化这个三维双目标欧氏最短路径问题。在这份报告中,我们研究了单目标离线路径规划问题,基于距离成本,而提出的通信成本作为一个上限约束。最后给出了双目标路径规划的解决方案。
2017-07-14 cs.RO
SPARC: Spatial-Aware Path Planning via Attentive Agent Communication
Nanyang Technological University(南洋理工大学)
提出关系增强多头注意力(RMHA)机制,通过嵌入曼哈顿距离到注意力权重计算,优先处理空间邻近机器人的消息,在40x40网格上从8机器人零样本泛化到128机器人时,在30%障碍密度下实现约75%成功率,超越基线25个百分点以上。
2026-06-01 cs.AI cs.RO
Bayesian Networks for Path-Based Sensors: Gathering Information and Path Planning in Communication Denied Environments
University of Maryland, College Park, MD, US.(美国马里兰大学学院公园分校);Temple University, Philadelphia, PA, US.(美国 Temple 大学);Colorado School of Mines, Golden, CO, US.(科罗拉多矿业学院);U.S. Naval Research Lab (Retired), DC, US.(美国海军研究实验室(退休))
本文提出了一种基于贝叶斯网络的更新方法,用于在通信受限环境中通过路径传感器提升信念图的收敛速度,并考虑了假阳性和假阴性问题。
2026-08-25 cs.RO