WORKSWORLD: A Domain for Integrated Numeric Planning and Scheduling of Distributed Pipelined Workflows
本文提出WORKSWORLD领域,用于永久调度工作流的数值无关规划器,通过定义数据源、组件和目标,解决联合规划与调度问题,实验证明在普通硬件上可处理最多14个组件的线性链工作流。
2026-03-18 cs.AI cs.DC
Cooperative Multi-Agent Planning: A Survey
Czech Technical University in Prague(布拉格捷克理工大学)
合作多智能体规划(MAP)是一个相对较新的研究领域,它结合了人工智能规划和多智能体系统社区开发的技术、算法和技术。虽然规划通常被视为一个单一的代理任务,MAP概括了这一概念,考虑多个智能代理合作开发一个行动过程,满足组的目标。本文回顾了最相关的MAP方法,重点关注参加2015年分布式和多智能体规划竞赛的求解器,并根据其关键特征和相对性能对其进行分类。
2017-11-24 cs.AI cs.MA
Planification par fusions incrémentales de graphes
Université Paris Descartes(巴黎笛卡尔大学);Centre de Recherche en Informatique(计算机研究中心)
在本文中,我们介绍了一个通用的和新鲜的模型,分布式规划称为“分布式规划通过图合并”({ \sf DPGM})。该模型将分布式规划过程的不同步骤统一为单步的。我们的方法是基于规划图结构的代理推理和CSP机制的个人计划提取和协调。我们假设没有一个智能体可以单独达到全局目标。因此,代理必须合作,{ \it即,}同时考虑到它们为实现共同目标而开展活动之间可能的积极互动。我们的模型的独创性在于尽可能快地考虑{ \it即,}在个体规划过程中,Agent活动之间的正、负交互作用,以降低全局协调解规划的搜索成本。
2018-10-19 cs.AI
A Gentle Introduction to Epistemic Planning: The DEL Approach
Technical University of Denmark(丹麦技术大学)
认知规划可以用于具有分布式知识和能力的多智能体情况下的决策。动态认知逻辑(DEL)已被证明提供了一个非常自然和表达框架的认知规划。在本文中,我们的目标是提供一个方便的介绍,以DEL-based认知规划。本文首先从最经典的规划框架开始,然后以一些较小的步骤走向认知规划,每一步都是为了能够模拟更复杂的规划场景。
2017-03-07 cs.AI cs.LO cs.MA
An approach to multi-agent planning with incomplete information
Universitat Politècnica de València(瓦伦西亚理工大学)
多智能体规划(MAP)方法通常被设想用于独立或松散耦合的问题,以增强自主智能体之间的分布式规划的益处,因为解决这种类型的问题需要智能体的子计划之间较少的协调。然而,当涉及到紧耦合代理的任务,MAP已被降级,有利于集中的方法,并在这个方向上做了很少的工作。在本文中,我们提出了一个通用的地图能够有效地处理规划问题与任何级别的代理之间的耦合。我们提出了一个合作的细化规划方法,建立在偏序规划范式,允许代理工作与不完整的信息,并有不完整的世界观,即不知道其他代理的信息,以及维护自己的私人信息。我们展示了各种实验来比较我们的系统的性能与一个分布式的基于CSP的MAP方法在一套问题。
2015-01-28 cs.AI
Multi-Robot Task Planning for Multi-Object Retrieval Tasks with Distributed On-Site Knowledge via Large Language Models
Graduate School of Information Science and Engineering(信息科学与工程研究生学校);Ritsumeikan University(立命馆大学);College of Information Science and Engineering(信息科学与工程学院);Faculty of Science and Engineering(科学与工程学部);Soka University(早稻田大学);Research Organization of Science and Technology(科学与技术研究机构);Graduate School of Informatics(信息学研究生学校);Kyoto University(京都大学)
针对多机器人凭借各自区域空间知识协作完成多物体检索的问题,提出基于LLM与少样本提示的任务分解和分配框架,实验表明其分配成功率显著优于基线并可在真实移动操作机器人上执行。
2025-09-30 cs.AI cs.MA cs.RO
Mobile Robot Path Planning in Dynamic Environments through Globally Guided Reinforcement Learning
The Chinese University of Hong Kong(香港中文大学);University of Cambridge(剑桥大学)
大动态环境中移动机器人的路径规划是一个具有挑战性的问题,因为机器人需要有效地达到其给定的目标,同时避免与其他机器人或动态对象的潜在冲突。在存在动态障碍物的情况下,传统的解决方案通常采用重新规划策略,每当机器人遇到冲突时,重新调用规划算法来搜索替代路径。然而,这种重新规划的策略往往会造成不必要的弯路。为了解决这个问题,我们提出了一种基于学习的技术,利用环境时空信息。与现有的基于学习的方法不同,我们引入了一种全局引导的强化学习方法(G2RL),该方法采用了一种新的奖励结构,可以推广到任意环境。我们应用G2RL解决多机器人路径规划问题,在一个完全分布式的反应方式。我们评估我们的方法在不同的地图类型,障碍物密度和机器人的数量。实验结果表明,G2RL的泛化能力很好,优于现有的分布式方法,并且与完全集中式的最先进的基准测试非常相似。
2020-09-11 cs.AI cs.LG cs.MA
Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
腿式机器人的运动规划已经取得了很大的成功,但对于多指灵巧抓取的足式机器人的运动规划还不成熟。我们提出了一种有效的运动规划框架,用于同时解决运动(例如,质心动力学),抓取(例如,贴片接触),和接触(例如,步态)问题。为了加快规划过程,我们提出了分布式优化框架的基础上交替方向乘法(ADMM)来解决原来的大规模混合非线性规划(MINLP)。由此产生的框架使用混合二次规划(MIQP)来解决接触问题,使用非线性规划(NLP)来解决非线性动力学问题,这些问题在计算上更易于处理,对参数不太敏感。此外,我们明确地执行补丁接触限制从极限曲面与微脊柱夹具。我们在硬件实验中证明了我们提出的框架,表明多肢机器人能够以更短的规划时间实现各种运动,包括以45°倾角自由攀爬。
2022-07-05 cs.AI cs.RO cs.SY
Force-based Algorithm for Motion Planning of Large Agent Teams
Ryerson University(瑞尔森大学)
本文提出了一个分布式的,高效的,可扩展的和实时的运动规划算法,为大集团的代理人在2或3维空间移动。该算法使自主智能体能够仅利用相邻智能体的相对位置信息独立地生成个体轨迹。每个代理应用基于力的控制,其中包含两个主要术语:碰撞避免和导航反馈。第一项使两个智能体保持一定的距离,而第二项将每个智能体吸引到其目标位置。与现有的避碰算法相比,所提出的基于力的运动规划(FMP)算法能够在不考虑相邻智能体速度状态信息的情况下,以较低的过渡时间找到无碰撞运动.它导致更少的计算开销。在几个密集和复杂的2D和3D基准仿真场景中,所提出的FMP的性能进行了检查,结果优于现有的方法。
2019-09-10 cs.AI cs.MA
Automatic Operator-level Parallelism Planning for Distributed Deep Learning -- A Mixed-Integer Programming Approach
本文提出一种基于混合整数规划的算子级自动并行规划方法,通过双层求解框架兼顾最优性与计算效率,在相同内存约束下将计算气泡减少一半,性能达到或超越 DeepSeek DualPipe 等专家策略。
2025-03-12 cs.AI cs.DC cs.DM
Cooperative Epistemic Multi-Agent Planning for Implicit Coordination
Albert-Ludwigs-Universität Freiburg(弗莱堡阿尔伯特-路德维希大学);Technical University of Denmark(丹麦技术大学)
认知规划可以用于具有分布式知识和能力的多智能体情况下的决策。最近,动态认知逻辑(DEL)已被证明提供了一个非常自然和表达框架的认知规划。我们扩展了基于DEL的认知规划框架,包括视角的转变,使我们能够定义新的概念,顺序和条件规划与隐式协调。有了这些,就有可能以分散的方式解决具有联合目标的规划任务,而无需代理在规划时协商并承诺联合策略。首先,我们定义了中央规划的概念,并勾勒出建立在这些概念上的规划系统的实施。之后,我们提供了一些案例研究,以评估规划经验,并表明这一概念是有用的多智能体系统在实践中。
2017-03-07 cs.AI cs.LO cs.MA
A collaborative ant colony metaheuristic for distributed multi-level lot-sizing
University of Bremen(不来梅大学);Stuttgart University of Applied Sciences(斯图加特应用技术大学);University of Hagen(哈根大学)
本文提出了一种蚁群优化协同规划的元启发式算法。协同规划是用来协调个人计划的自利决策者的私人信息,以增加联盟的整体利益。该方法包括一个新的搜索图的基础上编码的解决方案。分布式和私人信息通过投票机制和通过一个简单但有效的协作本地搜索过程进行集成。该方法被应用到一个分布式的多层次批量问题的变种,并通过从文献中的352个基准实例进行评估。所提出的方法明显优于现有的方法上的中型和大型的实例集。虽然到目前为止,文献中最好的方法实现了最大实例集合的46%的最佳已知非分布式解决方案的平均偏差,但所提出的方法将平均偏差降低到仅5%。
2012-04-02 cs.AI cs.DC
A Flexible Coupling Approach to Multi-Agent Planning under Incomplete Information
Universitat Politècnica de València(瓦伦西亚理工大学)
多智能体规划(MAP)方法通常是面向解决松散耦合的问题,是无效的,以处理更复杂的,强相关的问题。在大多数情况下,代理人在完全信息下工作,建立完整的知识库。本文介绍了一个通用的MAP框架,旨在解决不完全信息下的任何耦合级别的问题。我们的MAP模型中的代理部分不知道其余代理管理的信息,只共享影响其他代理的关键信息,从而保持任务的分布式视觉。
2015-01-29 cs.AI
InFactPlanner: Planning Sustainable Geo-Distributed LLM Data Centers
University of Cyprus(塞浦路斯大学)
InFactPlanner是用于LLM推理的可持续地理分布式数据中心部署假设分析的决策支持框架,可通过多维度建模分析得出可持续性与延迟最优选择存在差异等结论。
2026-08-14 cs.AI cs.DC
Probabilistically Correct Language-based Multi-Robot Planning using Conformal Prediction
Washington University in St Louis(圣路易斯华盛顿大学)
本文提出基于共形预测的分布式LLM多机器人规划器S-ATLAS,通过量化不确定性使机器人在确定时自主决策、否则求助,从而在保证用户指定任务成功率的同时最小化求助次数并提升计算效率。
2024-11-21 cs.AI cs.RO
Partial-Order Planning with Concurrent Interacting Actions
University of Toronto(多伦多大学);Ben-Gurion University(本-古里安大学)
为了生成多个执行器,代理团队或分布式控制器的代理计划,我们必须能够表示和计划使用具有交互效果的并发动作。这在历史上被认为是一项具有挑战性的任务,需要一个时间规划者能够明确地推理时间。我们表明,通过简单的修改,可用于表示相互作用的动作的CAMPPS动作表示语言。此外,偏序规划的算法只需要很小的修改,以应用在这样的多智能体域。我们证明了这一事实,通过开发一个健全的和完整的偏序规划与并发的互动行动,POMP,扩展现有的偏序规划者在一个简单的方式规划。这些结果开辟了使用偏序规划的合作多智能体系统的集中控制的方式。
2011-06-01 cs.AI
Cooperative and Asynchronous Transformer-based Mission Planning for Heterogeneous Teams of Mobile Robots
McMaster University(麦克马斯特大学)
针对异构移动机器人团队在通信受限、资源有限下的协作规划难题,提出基于MARL与AMAT架构的CATMiP框架及CMacDec-POMDP模型,采用异步集中训练分布式执行方案,实验验证其在效率、可扩展性与抗干扰性上更具优势。
2025-07-31 cs.AI cs.RO
An Agent Based Architecture (Using Planning) for Dynamic and Semantic Web Services Composition in an EBXML Context
LIRE Laboratory(LIRE实验室);Mentouri University of Constantine(君士坦丁门图里大学)
Web服务的基于过程的语义组合作为一种有效集成分布式、异构和自治应用的方法正获得相当大的发展势头。为了从语义上组合Web服务,我们需要一个本体。在Web服务中插入语义有几种方法。其中之一是使用描述语言,如OWL-S。在本文中,我们介绍了我们的工作,其中包括一个新的模型的命题和使用语义匹配技术的语义和动态组成的ebXML业务流程。
2011-03-03 cs.AI
Toward Efficient Task Planning for Dual-Arm Tabletop Object Rearrangement
Rutgers, the State University of New Jersey(罗格斯大学(新泽西州立大学))
研究了两个机器人手臂的协调问题,以解决非单调桌面多目标重排任务。在非单调重排任务中,存在复杂的对象-对象依赖关系,需要多次移动某些对象来解决实例。在大型工作空间中使用双臂工作时,必须在机器人之间传递一些物体,这进一步使规划过程复杂化。对于具有挑战性的双臂桌面重排问题,我们开发了有效的任务规划算法,用于调度可以在两个手臂之间适当分布的拾取-N-放置序列。我们表明,即使不使用一个复杂的运动规划,我们的方法相比,贪婪的方法和天真的单机器人计划的并行化实现了显着的时间节省。
2022-07-17 cs.AI cs.RO
Distributed Heuristic Forward Search for Multi-Agent Systems
Ben-Gurion University of the Negev(内盖夫本-古里安大学);Be’er Sheva(贝尔谢巴)
本文介绍了一些分布式前向搜索算法解决多智能体规划问题。我们介绍了一个分布式制定的非最优前向搜索,以及最佳版本,MAD-A*。我们的算法利用多代理问题的结构,不仅可以有效地分配不同代理之间的工作,而且还可以消除对称性,减少整体工作量。该算法确保私人信息不会在代理之间共享,但计算仍然是有效的-优于当前最先进的分布式规划器,在某些情况下,甚至集中式搜索-尽管每个代理只能访问部分信息。
2013-06-25 cs.AI cs.DC
Bottom-up mechanism and improved contract net protocol for the dynamic task planning of heterogeneous Earth observation resources
Central South University(中南大学);University of Alberta(阿尔伯塔大学)
地球观测资源在救灾、损害评估和相关领域中变得越来越不可或缺。观测任务需求的变化、恶劣天气的发生、资源故障等不可预测因素都可能导致预定观测方案的不可行。因此,至关重要的是,能够迅速,也许经常开发高质量的重新规划的观察计划,最大限度地减少对预定任务的影响。提出了一种自下而上的分布式协调框架和改进的合同网,以促进异构地球观测资源的动态任务再规划。该层次框架包括三个层次,即相邻资源协调,单规划中心协调,多规划中心协调。受不可预测因素影响的观察任务被分配和处理,从资源到规划中心的自下而上的路线。这种自底向上的分布式协调框架将部分计算负载转移到观测系统的各个节点,以更有效和鲁棒地分配任务。为支持动态环境下大规模任务对地观测资源的快速分配,提出了一种多轮组合分配方法。此外,提出了一种新的基于浮点区间的局部搜索算法,以更快地获得有希望的规划方案。实验结果表明,MCA方法能够在满足时间效率的情况下,获得更好的大规模任务完成率。仿真结果表明,该方法能够在动态环境下有效地获得基于原方案的重规划方案。
2021-06-09 cs.AI cs.SY eess.SY