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
Stigmergic Graph Memory: An Environment-Aware Approach for Many-to-Many Multi-Agent Pickup and Delivery
Aditya Dutta, Joon-Seok Kim ∗(Aditya Dutta, Joon-Seok Kim)
研究多对多多智能体取货和送货问题,提出SGM方法,通过记录仓库节点和边的近期执行信号排序端点与路由偏好,在多种布局、负载条件下实验,结果显示该方法能提高仓库吞吐量。
2026-07-17 cs.MA cs.RO
Lifelong Multi-Agent Path Finding for Online Pickup and Delivery Tasks
University of Southern California(南加州大学);Tsinghua University(清华大学)
多智能体寻路(MAPF)问题最近受到了广泛的关注。然而,它没有捕捉到许多现实世界领域的重要特征,例如自动化仓库,其中代理人不断地参与新任务。因此,在本文中,我们研究了终身版本的MAPF问题,称为多代理皮卡和交付(MAPD)问题。在MAPD问题中,代理商必须在在线环境中处理一系列交付任务。必须为每个交付任务分配一个座席。该代理必须首先移动到给定的取货位置,然后移动到给定的交付位置,同时避免与其他代理发生冲突。我们提出了两个解耦的MAPD算法,令牌传递(TP)和令牌传递与任务交换(TPTS)。从理论上讲,我们表明,他们解决了所有形式良好的MAPD实例,一个现实的子类MAPD实例。实验上,我们比较他们对一个集中式的strawman MAPD算法没有这种保证在模拟仓库系统。TP可以很容易地扩展到一个完全分布式的MAPD算法,是最好的选择时,实时计算是主要关注的问题,因为它仍然有效的MAPD实例与数百个代理和任务。TPTS要求代理之间的通信有限,并在TP和集中式MAPD算法之间实现了很好的平衡。
2017-05-30 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
UWB Propagation Characteristics of Human-to-Robot Communication in Automated Collaborative Warehouse
Ericsson Nikola Tesla d.d., Research and Development(爱立信尼古拉特斯拉股份公司研发部);University of Zagreb, Faculty of electrical engineering and computing(萨格勒布大学电气工程与计算机学院);Končar–Electrical Engineering Institute Inc.(康查尔电气工程研究所)
利用光线追踪方法分析了超宽带高斯信号在自动化协同仓库模型中的传播。将发射天线放置在人体上,计算了仓库中空货架和货架上装载不同载荷时的接收功率分布。这就产生了人类和机器人之间的安全通信范围的估计。
2020-12-21 cs.RO cs.SY eess.SY
Search-Aided Joint Agent-Environment Reinforcement Learning for Robust Lifelong Multi-Agent Path Finding with Rotations
针对带旋转约束的鲁棒终身多智能体路径规划难题,提出搜索辅助联合强化学习方法,通过结合Causal PIBT与联合优化智能体-环境策略,在高密度地图及混合现实仓库环境中取得显著性能提升。
2026-08-07 cs.AI cs.MA cs.RO
Analysis of Safe Ultrawideband Human-Robot Communication in Automated Collaborative Warehouse
Ericsson Nikola Tesla d.d., Research and Development Centre(爱立信尼古拉特斯拉公司研发中心);University of Zagreb, Faculty of electrical engineering and computing(萨格勒布大学电气工程与计算机学院);Končar–Electrical Engineering Institute Inc.(康查尔电气工程研究所)
本文介绍了超宽带高斯信号在自动化协同仓库环境中的传播分析,人与机器人进行通信,以确保相互碰撞不会发生。仓库货架主要建模为金属(PEC)平行六面体的集群,尺寸选择接近现实的仓库。使用光线追踪软件分析信号传播,目的是计算不同代表性场景和天线极化的路径损耗分布。分析了齿条表面粗糙度对传播的影响。根据仿真结果,提出了人与机器人安全通信的最佳天线位置的指导原则。
2020-12-21 cs.RO cs.SY eess.SY
Push, Stop, and Replan: An Application of Pebble Motion on Graphs to Planning in Automated Warehouses
Czech Technical University in Prague(布拉格捷克理工大学)
图上的卵石运动是多智能体寻路问题的一个子类别,处理将多个卵石状物体从图中的一个节点移动到一个节点,并限制在给定时间只有一个卵石可以占据一个节点。此外,解决这个问题的算法假设单个鹅卵石(机器人)不能同时移动,并且它们的移动是离散的。这些假设使它们不能直接用于实际应用,尽管它们具有其他良好的理论性质。本文对Push and Rotate算法[1]进行了改进,放宽了上述假设,并通过一系列实验证明改进后的算法适用于自动化仓库的规划。
2020-07-20 cs.RO
Optimizing Automated Picking Systems in Warehouse Robots Using Machine Learning
AMA University(AMA大学);University of the People(人民大学);University of Texas at Austin(德克萨斯大学奥斯汀分校);Disney entertainment and sports LLC(迪士尼娱乐体育有限责任公司);University of Toronto(多伦多大学);Northwestern University(西北大学);Northern Arizona University(北亚利桑那大学)
本研究利用深度学习和强化学习优化仓库机器人分拣系统,提升效率与准确性,降低故障率,为物流自动化提供创新解决方案。
2026-02-07 cs.AI 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
Streamlining Resilient Kubernetes Autoscaling with Multi-Agent Systems via an Automated Online Design Framework
Thales Land and Air Systems, BU IAS(泰雷兹陆地与空系统,IA S事业部);Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Grenoble INP(格勒诺布尔国立应用科学学院);LCIS(实验室中心智能系统);Thales Land and Air Systems, BU IAS Rennes, France(泰雷兹陆地与空系统,IA S事业部,里昂,法国);AICA IWG La Guillermie, France(法国AICA IWG拉吉尔梅耶)
针对 Kubernetes 集群在对抗场景下的运营弹性问题,提出一种四阶段在线设计框架,通过构建数字孪生、仿真训练、行为分析和策略迁移,生成 HPA 多智能体系统,实验证明其在复杂集群中优于现有 HPA 系统。
2025-05-26 cs.AI cs.MA
Standby-Based Deadlock Avoidance Method for Multi-Agent Pickup and Delivery Tasks
Waseda University(早稻田大学)
多代理拾取和交付(MAPD)问题,其中多个代理迭代地携带材料而不发生碰撞,已经受到了极大的关注。然而,许多传统的MAPD算法假设一个专门设计的网格状的环境,如自动化仓库。因此,他们有许多取货和送货地点,代理商可以在那里停留很长一段时间,以及大量的弯路,以避免由于网格中的移动自由而发生碰撞。相比之下,由于迷宫般的环境,如搜索和救援或建筑工地,具有较少的拾取/交付位置,并且它们的数量可能不平衡,因此许多代理集中在这些位置,导致效率低下的操作,经常陷入困境或僵局。因此,即使在迷宫般的限制环境中,为了提高传输效率,我们提出了一种死锁避免方法,称为基于待机的死锁避免(SBDA)。SBDA使用使用关节点查找算法实时确定的备用节点,并且代理保证在有限的时间内停留在那里。我们证明了我们提出的方法优于传统的方法。我们还分析了用于选择备用节点的参数如何影响性能。
2022-01-19 cs.AI cs.MA cs.RO
The Impact of Overall Optimization on Warehouse Automation
Hitachi Ltd.(日立有限公司);University of California, Berkeley(加州大学伯克利分校)
本文提出集中训练-分散执行的多智能体强化学习框架,通过共享critic实现异构机器人异步决策的整体优化,并在自动化订单拣选模拟中验证其优于部分优化和规则控制方法。
2023-08-11 cs.RO cs.SY eess.SY
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
Integrated Task Assignment and Path Planning for Capacitated Multi-Agent Pickup and Delivery
Monash University(莫纳什大学);Delft University of Technology(代尔夫特理工大学);Shenzhen University(深圳大学)
多智能体拾取和交付(MAPD)是一个具有挑战性的工业问题,其中一组机器人的任务是将一组任务从初始位置运输到指定的目标位置。出现在自动化仓库物流和自动化邮件分拣的背景下,MAPD需要首先决定哪个机器人被分配什么任务(即,任务分配或TA)之后是后续的协调问题,其中每个机器人必须被分配无碰撞路径以便成功地完成其分配(即,多代理路径查找或MAPF)。该领域的主要方法依次解决MAPD:首先分配任务,然后分配路径。在这项工作中,我们提出了一个新的耦合方法,任务分配的选择是由实际交付成本,而不是由下限估计。我们的方法的主要成分是一个边际成本分配启发式和基于大邻域搜索的元启发式改进策略。作为进一步的贡献,我们还考虑了MAPD问题的一个变种,每个机器人可以进行多个任务,而不是只有一个。数值模拟表明,我们的方法产生有效和及时的解决方案,我们报告显着改善与其他最近的方法从文献中。
2021-10-28 cs.MA cs.RO
Design and Development of an automated Robotic Pick & Stow System for an e-Commerce Warehouse
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校);Tata Consultancy Services(塔塔咨询服务公司)
在本文中,我们提供了一个机器人系统,可以自动化的任务,采摘和堆放对象从和机架上的电子商业履行仓库的细节。该系统主要包括四个主要模块:(1)感知模块,负责识别查询对象并将其定位在三维机器人工作空间中;(2)规划模块,生成机器人末端执行器到达货架或搬运箱中的对象所必须采取的必要路径;(3)校准模块,其定义通过机载视觉系统可见的机器人的物理工作空间;以及(4)用于拾取和装载不同种类的物体的夹持和抽吸系统。感知模块使用更快的基于区域的卷积神经网络(R-CNN)来识别物体。设计了一种新型双指夹持器,该夹持器结合了气动阀的吸力效应,以提高夹持器抓取不同物体的能力。该系统由IITK-TCS团队开发,用于参加2016年亚马逊采摘挑战赛。该队在比赛中获得了装载任务的第五名。本文的目的是与学生和实践工程师分享我们的经验,使他们能够构建类似的系统。该系统的整体功效是通过几个模拟以及真实世界的实验与实际的机器人。
2017-03-07 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
Implementation of Augmented Reality in Autonomous Warehouses: Challenges and Opportunities
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
带有移动式货架搬运机器人的自动仓库开始变得普遍,亚马逊的Kiva和瑞仕格的CarryPick等系统已经在功能仓库中实施。然而,这样的仓库仍然需要人工干预来进行物体拾取和维护。在欧洲项目SafeLog中,我们正在开发一种安全背心,用于移动机器人的安全关键测距和停止,一种改进的规划器,可以处理大量的异构代理以及AR交互系统,以在这种自动化环境中导航和支持人类工作人员。在这里,我们介绍了AR交互模式,即在撰写本文时开发的导航,AR拾取和一般系统交互,以及整体系统概念和计划的未来工作。
2018-06-01 cs.HC 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
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
DDM: Fast Near-Optimal Multi-Robot Path Planning using Diversified-Path and Optimal Sub-Problem Solution Database Heuristics
Rutgers, the State University of New Jersey(罗格斯大学新泽西州立大学)
我们提出了一种新的集中和解耦算法,DDM,解决多机器人路径规划问题的网格图,针对按需和自动化仓库一样的设置。研究了两种设置:一种是传统的,其目标是尽可能快地将一组机器人从它们各自的初始顶点移动到目标顶点,另一种是动态的,其需要频繁地重新规划以适应目标配置调整。在其他技术中,DDM主要通过利用两个创新的算法来实现:路径多样化和最优子问题解决方案数据库。这两种算法攻击基于并行的规划器的两个不同阶段:路径多样化允许更有效地利用整个工作空间进行机器人旅行,最佳子问题解决方案数据库有助于快速解决局部路径冲突。广泛的评估表明,DDM实现了高水平的可扩展性和高水平的解决方案的最优性。
2019-12-15 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
Multi-Arm Bin-Picking in Real-Time: A Combined Task and Motion Planning Approach
Bosch Center for Artificial Intelligence(博世人工智能中心);Technical University of Berlin(柏林工业大学);RWTH Aachen University(亚琛工业大学)
自动拣箱是实现全自动化制造和仓库的先决条件。为了成功地从非结构化箱子中拾取物品,机器人需要首先检测对物体的可能抓取,决定要移除的物体,并因此规划和执行可行的轨迹以取回所选择的物体。过去几年来,在解决这些问题方面取得了重大进展。然而,当多个机器人手臂合作的决策和规划问题变得指数困难。我们提出了一个集成的多臂装箱拾取流水线(IMAPIP),并证明它能够可靠地从一个箱子中拾取物体在实时的【形】使用多个机器人手臂。IMAPIP首先在高层次上使用集成在组合任务和运动规划框架中的几何感知策略来解决多臂装箱任务。然后,我们在运动规划级别上使用BIT* 算法规划与此策略一致的运动。我们表明,这种集成的解决方案,使机器人手臂的合作。在我们的实验中,我们表明,所提出的几何感知策略优于基线,通过使用两个机器人手臂将箱子拾取时间增加28%。该策略对容器位置和对象数量的变化具有鲁棒性。我们还表明,IMAPIP成功地扩展到四个机器人手臂在附近工作。
2022-11-20 cs.RO
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
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
Analyzing Planner Design Trade-offs for MAPF under ADG-based Realistic Execution
本文基于ADG模型探讨MAPF规划器设计中优化性与执行性能的关系,分析模型精度与路径最优性之间的权衡,揭示实际场景下的挑战与研究方向。
2026-03-17 cs.AI
Review of Autonomous Mobile Robots for the Warehouse Environment
University of Nevada, Reno(内华达大学雷诺分校)
本文综述仓库AMR的硬件、机器人控制与系统控制进展及产业实例,指出其相较AGV的自主导航优势,并展望未来研究方向。
2024-06-12 cs.RO
Human Intention Recognition for Human Aware Planning in Integrated Warehouse Systems
University of Zagreb Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院);Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague(布拉格捷克理工大学捷克信息学、机器人与控制论研究所)
随着物流业务的大幅增长,对更大和更自动化的仓库的需求增加,从而产生了完全自动化的车间,其中移动机器人负责运输和分配货物。然而,即使在完全自动化的仓库系统中,也经常需要人为干预,无论是因为维护还是因为履行特定订单,从而使移动机器人和人类在集成仓库环境中更加接近。为了确保这种仓库的平稳和高效运行,需要仔细规划机器人和人类的路径;然而,由于人类偏离指定路径的可能性,这成为一项更具挑战性的任务。鉴于此,监控系统应该能够实时识别人类的意图及其替代路径。在本文中,我们提出了一个框架,人类的偏差检测和意图识别输出的最可能的路径的人类工人和规划师的行动,相应地通过重新规划机器人移动的人类的path. Experimental结果表明,所提出的框架增加了交付的总数量,特别是人类交付,并减少人与机器人的遭遇。
2020-05-22 cs.RO
WareVR: Virtual Reality Interface for Supervision of Autonomous Robotic System Aimed at Warehouse Stocktaking
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院)
WareVR是一种基于虚拟现实(VR)应用的新型人机界面,可与异构机器人系统进行交互,以实现自动库存管理。我们创建了一个界面,以便从仓库中的一个隔离工作站远程监督自动机器人,这可能会在当前的COVID-19疫情期间受益,因为盘点是仓库中的一个必要和常规的过程,涉及一群人。建议的接口允许没有机器人经验的普通仓库工人控制由无人驾驶地面车辆(UGV)和无人驾驶飞行器(UAV)组成的异构机器人系统。WareVR在仓库的数字孪生中提供机器人系统的可视化,并通过机载无人机摄像头提供来自真实环境的实时视频流。使用WareVR界面,操作员可以进行不同级别的盘点,远程监控库存过程,并远程操作无人机进行更详细的检查。此外,开发的界面包括无人机的远程控制,用于直观和直接的人机交互与自主机器人进行盘点。基于VR的界面的有效性进行了评估,通过用户研究中的“视觉检查”的情况。
2021-10-21 cs.HC cs.RO
Adaptive-Horizon Conflict-Based Search for Closed-Loop Multi-Agent Path Finding
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology(信息与决策系统实验室,麻省理工学院);Schwarzman College of Computing(施瓦茨曼计算学院)
提出ACCBS算法,通过动态调整规划视界和重用约束树,在有限计算预算下快速生成高质量可行解,兼具渐近最优性和扰动适应性。
2026-06-25 cs.RO
Online Multi-Agent Pickup and Delivery with Task Deadlines
Toyota Central R&D Labs., Inc.(丰田中央研究实验室)
本研究提出D-TP和D-TPTS算法,解决在线多智能体取货与送货问题中的任务截止期限挑战,通过任务调度优化减少任务延迟,提升自动化仓库效率。
2024-09-05 cs.MA cs.RO
Many-to-Many Multi-Agent Pickup and Delivery
Institute of Robotics and Intelligent Machines, Georgia Institute of Technology(机器人与智能机械研究所,佐治亚理工学院);Symbotic Inc.(Symbotic公司);Northeastern University(东北大学)
本文提出M2M算法解决多对多多智能体取货与送货问题,通过任务持续时间优化和SKU分布优化,提升仓库效率。
2026-05-08 cs.MA cs.RO
SagaLLM: Context Management, Validation, and Transaction Guarantees for Multi-Agent LLM Planning
Stanford University(斯坦福大学);Inria Paris-Rocquencourt(法国巴黎Inria研究所)
SagaLLM通过集成Saga事务模式、持久内存和独立验证智能体,解决多智能体LLM规划中的自我验证不可靠、上下文丢失、缺乏事务保障和协调不足问题,显著提升一致性、验证准确性与自适应协调能力。
2025-07-09 cs.AI
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
Formulating and solving integrated order batching and routing in multi-depot AGV-assisted mixed-shelves warehouses
Leuphana University of Lüneburg(吕讷堡大学);Beijing Hanning Tech Co., Ltd(北京汉宁科技有限公司)
不同的零售和电子商务公司都面临着组装大量时间紧迫的拣选订单的挑战,这些订单包括小批量和多批量订单。为了减少非生产性的采摘工作时间,在传统的采摘到零件仓储系统,不同的解决方案,提出了在文献和实践中。例如,在混合货架存储策略中,同一库存单位的物品分布在仓库中的几个货架上;或者使用自动导引车(AGV)将拣选的物品从存储区域运输到包装站,而不是人工拣选。这是第一篇结合这两种解决方案的论文,创建了我们所谓的AGV辅助混合货架拣选系统。我们将这种系统中的新的集成订单管理和路径问题建模为具有三指标和两商品网络流公式的扩展多仓库车辆路径问题。由于集成问题的复杂性,我们开发了一种新的可变邻域搜索算法来解决集成问题更有效。我们测试我们的方法与不同大小的实例,并得出结论,混合货架存储策略比通常的存储策略在AGV辅助的混合货架系统的订单与不同大小的订单行(节省高达62%的AGV行驶距离)更合适。我们的可变邻域搜索算法在可接受的计算时间内提供了最优解。
2022-04-12 cs.AI cs.RO math.OC
Efficient Task Allocation in Smart Warehouses with Multi-delivery Stations and Heterogeneous Robots
Federal University of Santa Catarina(圣卡塔琳娜联邦大学);University of Oulu(奥卢大学)
多机器人系统中的任务分配问题是一个NP难问题,其可行解通常采用启发式算法求解。考虑到对物流改进的需求日益增加,使用机器人来提高物流仓库的效率正在成为一种需求。在智能仓库中,主要任务包括使用一组自动拣选和移动机器人,这些机器人通过从货架上的一组订单中拣选物品并将其放在配送站来进行协调。多机器人任务分配的复杂性通常有两个方面:(i)环境方面,例如多个交付站和分散的机器人(因为它们保持恒定运动)和(ii)车队异质性,其中机器人的交通速度和容量负载彼此不同。尽管这些特性在文献中已经被广泛研究,但它们通常被单独研究。针对具有多配送站和异构车队的智能仓库,提出了一种可扩展的高效任务分配算法。我们的策略采用了一种新的成本估计器,它计算成本作为机器人的可变特性和能力的函数,而他们接受新的任务。为了验证该策略,进行了一系列实验,模拟具有多个交付站和异质车队的智能仓库的操作。结果表明,我们的策略生成的路由成本高达$33$ \%以下的一个国家的最先进的任务分配算法生成的路由和$96$ \%更快的测试实例,代表我们的目标场景。考虑到单配送站和非分散机器人,我们将机器人数量减少了$18$ \%,分配任务的速度加快了$92$ \%,并生成了成本与最先进算法生成的路线在统计上相似的路线。
2022-02-28 cs.RO
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
Coordinating Large-Scale Robot Networks with Motion and Communication Uncertainties for Logistics Applications
The Chinese University of Hong Kong(香港中文大学);Shanghai Jiao Tong University(上海交通大学)
本文针对机器人仓库和自动化物流系统中的任务分配、协作路径规划和运动协调问题进行了研究。特别是,我们解决了终身规划问题,并保证协调性能的大规模机器人网络中存在的机器人运动的不确定性和通信故障。提出了一种层次规划和协调结构。环境被划分为几个部门,并生成一个动态的交通热图来描述当前的部门级的交通流量。在任务规划层,采用贪婪任务分配方法,将当前任务分配给最近的空闲机器人,综合考虑机器人移动距离、交通热值分布和当前机器人/通信故障,生成扇区级路径。在运动协调层,在每个扇区内采用局部协作A* 算法生成扇区内各机器人的无碰撞道路级路径,并引入滚动规划结构解决运动和通信不确定性带来的问题。千余台机器人的大规模仿真和实验室实验验证了该方法的有效性和实用性。
2019-04-02 cs.RO
Adaptive Task Planning for Large-Scale Robotized Warehouses
Beihang University(北京航空航天大学);Singapore Management University(新加坡管理大学);Geekplus(极智嘉)
针对大规模机器人仓库中时变订单到达下的任务规划问题,提出基于强化学习的自适应货架选择与路径规划框架,显著提升有效性与效率。
2022-04-24 cs.RO
Arbitrarily Scalable Environment Generators via Neural Cellular Automata
Carnegie Mellon University(卡内基梅隆大学);University of Southern California(南加州大学)
本文提出用质量多样性算法优化神经细胞自动机环境生成器,在小环境训练后生成任意大规模环境,从而提升多机器人系统可扩展性,并在最多2350个机器人的两个领域验证了效果。
2023-10-28 cs.AI cs.MA cs.NE
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
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
FRAMEWORKERS: A Dynamic Multi-Agent Framework for AI-Generated Video Production
FRAMEWORKERS是一种以任务为中心的动态多智能体视频制作框架,通过Director和Assistant分工优化任务编排,在路由准确性、故障恢复等多方面优于现有方案。
2026-09-01 cs.AI
MAPF-HD: Multi-Agent Path Finding in High-Density Environments
Toyota Central R&D Labs., Inc.(丰田中央研究实验室)
本研究提出MAPF-HD框架,通过分阶段无智能体交换方法高效解决高密度环境下的多智能体路径规划问题。
2025-11-26 cs.MA cs.RO
Combined Top-Down and Bottom-Up Approaches to Performance-guaranteed Integrated Task and Motion Planning of Cooperative Multi-agent Systems
Department of Electrical Engineering, University of Notre Dame, Notre Dame, IN, 46556 USA.(电气工程系,诺丁汉大学,诺丁汉,IN,46556 USA)
本文提出一种分层框架,通过结合自下而上的反应式运动控制器与自上而下的任务计划,实现协同多智能体系统的性能保证任务与运动规划,通过假设-保证范式验证局部任务与全局任务的一致性。
2016-12-15 cs.FL cs.RO cs.SY
Priority Inheritance with Backtracking for Iterative Multi-agent Path Finding
Tokyo Institute of Technology(东京工业大学);NEC Corporation(NEC公司)
在多智能体路径查找(MAPF)问题中,一组在图上移动的智能体必须到达各自的目的地,而不会发生智能体间的冲突。在实际的MAPF应用中,例如自动化仓库中的导航,偶尔会有数百个或更多的代理,MAPF必须在终身的基础上迭代在线解决。这样的场景排除了离线计算密集型最优方法的简单适应;因此,可扩展的次优算法对这样的设置很有吸引力。理想的算法是可扩展的,适用于迭代场景,并在可预测的计算时间内输出合理的解决方案。为了达到上述目的,本研究提出了优先级继承回溯(PIBT),一种新的次优算法来迭代求解MAPF。PIBT依赖于一个自适应的优先级方案,专注于多个代理的相邻运动,因此它可以应用于几个领域。我们证明了,无论他们的数量,所有的代理都保证在有限的时间内到达他们的目的地时,环境是一个图,使得所有对相邻节点属于一个简单的循环(例如,双连接的)。涵盖各种场景的实验结果,包括与真实机器人的演示,揭示了所提出的方法的好处。即使有数百个代理,PIBT几乎立即产生可接受的解决方案,并可以解决其他已建立的MAPF方法无法解决的大型实例。此外,PIBT在运行时和解决方案质量方面都优于在自动化仓库中传送包的迭代场景中的现有方法。
2022-06-27 cs.DC cs.MA cs.RO
Visual Foresight for Robotic Stow: A Diffusion-Based World Model from Sparse Snapshots
Amazon, Seattle, US(亚马逊(美国西雅图))
FOREST通过基于稀疏快照的扩散模型,提升仓库存取操作的预测精度,为仓储规划提供有效预见信号。
2026-02-12 cs.AI cs.CV cs.RO
From Simulation to Real-World Robotic Mobile Fulfillment Systems
Leuphana University of Lüneburg(吕讷堡大学);Beijing Hanning ZN Tech Co.,Ltd(北京汉宁智能科技有限公司)
在一种新型的自动化零件到拾取器仓库系统-机器人移动履行系统(RMFS)中,机器人被发送到运输舱(可移动货架)到站处的人类操作员,以从/向舱拾取/放置物品。在这样一个系统中存在着许多操作决策问题,其中有些问题是相互依赖、相互影响的。为了分析决策问题以及它们之间的关系,文献中有两个开源的模拟框架,Alphabet Soup和RAWSim-O。然而,仿真和现实世界的RMFS之间的步骤在文献中并不清楚。因此,本文旨在弥合这一差距。仿真器首先作为核心软件进行移植。核心软件与开源ERP系统Odoo连接,同时还通过XOR工作台与真正的机器人和工作站连接。XOR工作台使RMFS能够与几个小型机器人和移动工业机器人集成在(移动)实验中,用于研究和教育。
2018-10-08 cs.RO
Enabling the Deployment of Any-Scale Robotic Applications in Microservice Architectures through Automated Containerization
RWTH Aachen University(亚琛工业大学)
针对机器人应用部署的复杂性,提出基于ROS的自动化容器化工具套件,支持任意规模应用在微服务架构中部署,加速开发并提高弹性,已开源。
2024-08-20 cs.RO
ParkDiffusion++: Ego Intention Conditioned Joint Multi-Agent Trajectory Prediction for Automated Parking using Diffusion Models
Department of Computer Science, University of Freiburg(弗赖堡大学计算机科学系);CARIAD SE
ParkDiffusion++通过联合学习多智能体轨迹预测与自我意图预测,实现自动化停车中的高效假设决策与安全预测。
2026-02-24 cs.RO
Stable bin packing of non-convex 3D objects with a robot manipulator
Duke University(杜克大学)
机器人操作领域的最新进展已经引起了对仓库中的全自动物体包装的兴趣。本文提出了一种配方的包装问题,是专门为自动化仓储领域。除了最大限度地减少容器内的浪费空间,该问题需要在包装过程中的对象堆的稳定性和执行放置计划的机器人运动的可行性。为了解决这个问题,制定了一组约束条件,并提出了一个建设性的包装管道来解决这些约束。该流水线能够稳定地包装几何复杂的非凸物体,同时满足机器人约束。特别地,提出了一种新的三维定位启发式算法,称为Heightmap-Minimization启发式算法,并使用高度图来加速搜索。该方法的实验评估进行了一个现实的物理模拟器上的数据集扫描的真实世界的项目,表现出稳定和高品质的包装计划相比,其他3D包装方法。
2018-12-10 cs.RO
Multi-Agent Path Finding via Finite-Horizon Hierarchical Factorization
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology(信息与决策系统实验室,麻省理工学院);Embotech AG(Embotech公司)
针对动态仓库中的大规模MAPF问题,提出有限时域分层分解框架,通过并行个体规划与基于冲突的动态分组实现即时执行和并发规划,首次动作时间最多降低60%。
2025-05-12 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
Certificate-Driven Closed-Loop Multi-Agent Path Finding with Inheritable Factorization
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology(麻省理工学院信息与决策系统实验室)
本文提出基于证书的闭环多智能体路径寻找方法,通过可继承分解提升密集场景下的路径规划一致性与效率。
2026-04-01 cs.RO