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
A Scalable Post-Processing Pipeline for Large-Scale Free-Space Multi-Agent Path Planning with PiBT
Intrinsic Innovation LLC;ROAR Lab(ROAR 实验室);Singapore University of Technology and Design(新加坡科技设计大学)
提出结合PiBT与安全感知平滑的混合规划框架,实现大规模自由空间多智能体路径规划,可扩展至500+智能体,实时且近最优。
2025-06-20 cs.MA cs.RO
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
CTRMs: Learning to Construct Cooperative Timed Roadmaps for Multi-agent Path Planning in Continuous Spaces
Tokyo Institute of Technology(东京工业大学);OMRON SINIC X(欧姆龙先尼克斯)
连续空间中的多智能体路径规划是一个具有重要现实意义的挑战性问题。一个有前途的方法是首先构建图近似的空间,称为路线图,然后应用多智能体寻路(MAPF)算法,以获得一组无冲突的路径。虽然传统的研究已经利用了为单代理规划开发的路线图构建方法,但我们如何构建有效适用于多代理的路线图,在很大程度上仍未探索。为此,我们提出了一个新的概念,称为合作定时路线图(CTRM)的路线图。CTRM使每个代理能够以考虑其他代理的行为以避免代理间冲突(即,为了构建CTRM,我们开发了一种机器学习方法,该方法从相关问题实例和合理解决方案的集合中学习生成模型,然后使用学习的模型对CTRM的顶点进行采样,以获得新的,以前看不见的问题实例。我们的实证评估表明,使用CTRM显着减少了规划工作与可接受的开销,同时保持成功率和解决方案的质量相比,传统的路线图建设方法。
2022-01-24 cs.LG cs.MA cs.RO
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
An Efficient Approach to the Online Multi-Agent Path Finding Problem by Using Sustainable Information
The Hong Kong University of Science and Technology(香港科技大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
多智能体路径寻找(MAPF)是移动智能体到目标顶点无碰撞的问题。在在线MAPF问题中,新的代理人可以在任何时候添加到环境中,并且当前代理人没有关于未来代理人的信息。现有的在线方法不能重用以前的规划上下文,导致冗余计算,降低算法效率。因此,我们提出了一个三层的方法来解决在线MAPF利用可持续发展的信息,这可以减少其冗余计算。高级求解器,可持续重新规划算法(SR),管理规划上下文并模拟环境。中层求解器,可持续的基于冲突的搜索算法(SCBS),建立一个冲突树,并保持规划上下文。低级求解器,可持续反向安全间隔路径规划算法(SRSIPP),是一个高效的单智能体求解器,使用以前的规划上下文,以减少重复计算。实验表明,我们提出的方法在计算效率方面有显着的改善。在一个测试场景中,我们的算法在不同的代理数量设置下平均比SOTA快1.48倍。
2023-01-11 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
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
Optimal path planning of multi-agent cooperative systems with rigid formation
Georgia Institute of Technology(佐治亚理工学院)
本文研究刚性编队多智能体系统的最优路径规划,基于庞特里亚金最小值原理设计控制器,证明各智能体最优控制等价于质心最优控制,从而简化原问题。
2023-09-15 cs.RO
A Time-dependent Risk-aware distributed Multi-Agent Path Finder based on A*
Department of Computer, Electrical and Space(计算机、电气与空间系)
本文提出A$^*_+$T分布式多智能体路径规划算法,通过基于速度预测智能体位置并考虑动态障碍物与风险层,实现无碰撞导航,在Gazebo仿真中表现优于CBS、ECBS和SIPP等基准方法。
2025-11-03 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
Path Planning Games
Vanderbilt University(范德堡大学)
路径规划是机器人控制中的一个基本和广泛探索的问题。我们提出了一个新的经济角度的路径规划。具体来说,我们研究战略之间的互动路径规划代理使用博弈论路径规划框架。我们的重点是两个重要目标之间的经济紧张关系:代理人实现其目标的效率和安全性。我们首先开发一种新的数学公式的路径规划,权衡这些目标,当其他代理的行为是固定的。然后,我们使用这个公式近似纳什均衡的路径规划游戏,以及开发一个多智能体合作的路径规划制定。通过几个案例研究,我们表明,在一个路径规划游戏,安全性往往是显着妥协相比,合作的解决方案。
2019-10-30 cs.AI cs.GT cs.MA
Optimal and Bounded Suboptimal Any-Angle Multi-agent Pathfinding
FRC CSC RAS(俄罗斯科学院计算机科学与控制研究所联邦研究中心);AIRI(人工智能研究所);HSE University(高等经济大学);MIPT(莫斯科物理技术学院);Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本文提出首个最优任意角度多智能体路径规划算法,通过将不相交分裂和多约束技术引入CCBS与TO-AA-SIPP组合以缓解高分支因子问题,并进一步给出有界次优变体以可控地权衡运行时间与解代价。
2024-08-30 cs.AI cs.MA cs.RO
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
SOCIALMAPF: Optimal and Efficient Multi-Agent Path Finding with Strategic Agents for Social Navigation
我们提出了一个扩展的MAPF制定,称为SocialMAPF,占私人激励的代理人在受限的环境,如门口,狭窄的走廊,走廊交叉口。例如,SocialMAPF能够准确地推理出一个代理人赶往医院的紧急激励,而不是另一个代理人去杂货店的不那么紧急的激励; MAPF忽略了这种代理人特定的激励。我们提出的配方解决了开放的问题,最佳和有效的路径规划与私人激励代理。为了解决SocialMAPF,我们提出了一类新的算法,在冲突解决过程中使用机制设计,同时优化代理的私人本地公用事业和全球系统的目标。我们进行了大量的实验表明,最佳的基于搜索的MAPF技术导致碰撞和增加的时间到目标的SocialMAPF相比,我们提出的方法使用机制设计。此外,我们的经验表明,机制设计的模型,最大限度地提高代理效用和最大限度地减少整个系统的整体时间到目标。我们进一步展示了机制设计为基础的规划的能力,成功地将其部署在环境中的静态障碍。最后,我们简要地列出了几个研究方向,使用SocialMAPF制定,如探索运动规划在连续域的代理与私人激励。
2022-10-15 cs.AI cs.GT cs.MA
Multi-Agent Path Planning with Asymmetric Interactions In Tight Spaces
University of Toronto(多伦多大学);Texas A&M University(德州农工大学)
从运动基本上是一个决策问题的假设出发,我们使用世界线的概念,从狭义相对论的启发,一种新的多智能体路径规划方法。我们已经确定了一组特殊的问题,到目前为止被忽视的以前的作品。我们提出了我们的解决方案,为每个代理的全局路径规划问题,并确保顺利本地避碰的每对代理在现场。我们通过将代理的轨迹建模为2D空间和时间的3D曲线来实现这一点。全局路径规划是使用修改后的Replikstra算法来解决的,以确保代理的初始轨迹不相交。然后,我们使用拟牛顿内点求解器求解平滑的局部轨迹,为轨迹曲线提供半径,将其变成杆。随后,解决杆的碰撞确保没有两个代理同时处于相同的空间位置。这种时空公式使我们能够模拟以前被忽视的现象,如在非常有限的环境中高度不对称的相互作用。它还为具有不自然对称代理对齐的场景提供了解决方案,而不需要抖动代理位置或速度。
2022-04-01 cs.GR 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
Cooperative Path Integral Control for Stochastic Multi-Agent Systems
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Georgia Institute of Technology(佐治亚理工学院);University of Nevada, Reno(内华达大学雷诺分校)
针对多智能体协作系统,提出了一种分布式随机最优控制方法。代理网络被划分为多个因子子系统,每个因子子系统由一个中心代理和相邻代理组成。局部控制动作只依赖于智能体的局部观测值来优化子系统的联合代价函数。在求解局部控制作用时,每个子系统的联合最优性方程被转换为线性偏微分方程,并使用Feynman-Kac公式求解。然后将解和最优控制作用表示为路径积分,并用Monte-Carlo方法近似。数值验证是通过一个仿真的例子组成的一个团队的合作无人机。
2021-03-21 cs.LG 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
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
Path Planning for a Cooperative Navigation Aid Vehicle to Assist Multiple Agents Sequentially
Department of Mechanical Engineering(机械工程系);Engineering Science, University of North Carolina at Charlotte(工程科学,北卡罗来纳大学夏洛特分校)
本文提出了一种贪心算法,用于规划协作导航辅助车路径,以依次协助多个智能体并减少导航不确定性。
2024-07-09 cs.RO cs.SY eess.SY
Shortest Path Set Induced Vertex Ordering and its Application to Distributed Distance Optimal Multi-agent Formation Path Planning
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对无向图中不可区分智能体移动到任意目标编队的距离最优路径规划问题,提出一种基于最短路径集诱导顶点排序的集中式算法,并首次实现分布式调度,同时保证相同的收敛时间。
2012-09-08 cs.RO cs.SY eess.SY
Multi-Agent Path Finding Among Dynamic Uncontrollable Agents with Statistical Safety Guarantees
针对现有MAPF求解器未考虑不可控智能体不确定行为的问题,提出整合共形预测不确定性区间的改进ECBS求解器CP-Solver,可提供统计安全保证,在多类地图上实现有竞争力的吞吐量与更低碰撞率。
2025-07-29 cs.MA cs.RO
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
CL-MAPF: Multi-Agent Path Finding for Car-Like Robots with Kinematic and Spatiotemporal Constraints
Zhejiang University(浙江大学)
多智能体路径搜索在机器人和人工智能领域有着广泛的应用,近年来得到了广泛的研究。然而,以前的求解器依赖于几个简化的假设。他们限制了他们的适用性在许多现实世界中的领域,采用非完整的车一样的代理,而不是完整的。在本文中,我们给出了一个数学形式化的多智能体路径寻找类车机器人(CL-MAPF)问题。为了解决这个问题,我们第一次提出了一种新的分层搜索为基础的求解器,称为汽车一样的基于搜索。它应用身体冲突树来解决考虑代理形状的冲突。我们引入了一种新的算法称为时空混合状态A* 作为单智能体路径规划器,以生成同时满足运动学和时空约束的路径。为了提高效率,我们还提出了一个顺序规划版本的方法。我们比较我们的方法与两个基线算法在一个专用的基准包含3000个实例,并验证它在现实世界中的场景。实验结果给出了明确的证据表明,我们的算法可以很好地扩展到大量的代理,并能够产生的解决方案,可以直接应用于汽车类机器人在现实世界中。基准测试和源代码在https://github.com/APRIL-ZJU/CL-CBS上发布。
2020-11-01 cs.MA cs.RO
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
AB-Mapper: Attention and BicNet Based Multi-agent Path Finding for Dynamic Crowded Environment
Wuyi University(五邑大学);Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳人工智能与机器人研究院);Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));irobotix Co., Ltd(3i机器人有限公司)
动态拥挤环境下的多智能体路径搜索对于现实世界中的多机器人系统具有重要的学术和实用价值。为了提高动态拥挤环境下路径规划中通信和学习过程的有效性和效率,提出了一种基于Attention和BicNet的多智能体有效强化路径规划算法(AB-Mapper),该算法基于行动者-评论者强化学习框架。在这个框架中,一方面,我们利用行动者网络中具有通信功能的BicNet来实现团队内部的协调。另一方面,我们提出了一个集中的评论家网络,可以选择性地分配注意力权重周围的代理。这种注意力机制允许个体代理通过考虑其周围代理的行为来自动学习更好的动作评估。与最先进的方法Mapper相比,我们的AB-Mapper是更有效的(85.86%比81.56%的成功率)在解决一般的路径查找问题的动态障碍。此外,在拥挤的场景中,我们的方法大大优于Mapper方法,每个实验都达到了超过40%的惊人差距。
2021-10-02 cs.MA cs.RO
Conflict Mitigation in Shared Environments using Flow-Aware Multi-Agent Path Finding
Örebro University(奥雷布罗大学);Bosch Research(博世研究);Technical University of Munich(慕尼黑技术大学);University of California, Irvine(加州大学 Irvine 分校)
本文提出FA-MAPF框架,通过整合不可控代理的运动模式提升多智能体路径寻找效率,实验证明可减少55%的冲突且不牺牲任务效率。
2026-03-13 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 Path Finding on Strongly Connected Digraphs: feasibility and solution algorithms
Università di Parma(帕尔马大学)
针对强连通有向图上的 MAPF 问题,论文将既有无向图和双连通有向图算法推广到更一般情形,并为至少有两个洞的问题提出线性可行性检查与多项式可行解构造算法。
2022-09-09 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
Streaming Multi-agent Pathfinding
Hong Kong University of Science and Technology(香港理工大学)
本文形式化面向长时周期性流水线的S-MAPF问题,提出带循环顶点/边约束并结合不相交分割的ASCBS算法,实验显示其长时场景运行效率优于传统MAPF求解器。
2025-05-14 cs.MA cs.RO
Cooperative Hybrid Multi-Agent Pathfinding Based on Shared Exploration Maps
The University of Western Australia(西澳大利亚大学);The Chinese University of Hong Kong(香港中文大学)
针对动态不完整环境下的多智能体路径规划问题,提出融合D* Lite全局搜索与多智能体强化学习的混合框架,通过切换机制和防冻结策略,在POGEMA和EyeSim平台上显著提升成功率、降低碰撞率并提高路径效率。
2025-03-28 cs.MA cs.RO
Introducing Delays in Multi-Agent Path Finding
University of Colorado Boulder(科罗拉多大学博尔德分校);Tel Aviv University(特拉维夫大学);Technion(以色列理工学院)
针对多智能体路径规划中执行时部分智能体发生延迟的问题,提出延迟引入方法,通过让额外智能体延迟以安全执行剩余规划,并证明其理论复杂度的同时验证了基于冲突的搜索在实际应用中优于重新规划启发式算法。
2024-04-20 cs.MA cs.RO
CAMETA: Conflict-Aware Multi-Agent Estimated Time of Arrival Prediction for Mobile Robots
Aarhus University(奥胡斯大学);Paderborn University(帕德博恩大学)
提出CAMETA框架,通过异构图表示和异构图神经网络架构,在无预定义道路的非结构化环境中预测多智能体到达时间,相比现有方法显著提升了泛化能力、抗噪鲁棒性及路径规划效率。
2025-02-27 cs.MA cs.RO
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
STT-CBS: A Conflict-Based Search Algorithm for Multi-Agent Path Finding with Stochastic Travel Times
Stanford University(斯坦福大学);Cruise Automation
我们提出了一个算法,找到最佳路径的多个随机代理在一个图中到达他们的目的地与用户指定的最大成对碰撞概率。我们的算法,称为STT-CBS,使用基于搜索(CBS)与随机旅行时间(STT)模型的代理。我们沿着图的每个边缘的独立的伽马分布的随机变量模型的机器人旅行时间,并提出概率碰撞识别和约束创建方法来鲁棒地处理旅行时间的不确定性。我们表明,在合理的假设下,我们的算法是最佳的旅行时间的预期总和,同时确保每个成对冲突概率的上限。仿真和硬件实验表明,STT-CBS能够显着降低冲突概率CBS,而保持在相同的复杂度类。
2021-08-31 cs.MA 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
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
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
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
Multi-agent navigation based on deep reinforcement learning and traditional pathfinding algorithm
我们开发了一个新的框架,多智能体避碰问题。该框架结合了传统的路径查找算法和强化学习。在我们的方法中,智能体通过在每个时间步通过强化学习训练的深度神经网络来学习是被导航还是采取简单的行动来避开他们的伙伴。该框架使代理能够在抽象的新场景中到达终点。在我们的实验中,我们使用Unity3D和Tensorflow为我们的场景构建模型和环境。我们分析结果,并修改参数,以接近我们的代理行为良好的战略。我们的策略可以在不同的环境下,在不同的情况下,特别是当规模较大。
2020-12-05 cs.LG cs.MA cs.RO
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
On dynamic multi-agent pathfinding methods: review, simulations and modifications
Department of Computer Science, Opole University of Technology(计算机科学系,奥波尔技术大学)
本文系统研究动态多智能体路径规划(D-MAPF)中的六种代表性算法,并提出一种基于模板的A**算法,通过离线几何路径生成与在线时间适应解耦,在频繁变化和有限感知环境中提高解质量。
2026-06-29 cs.MA cs.RO nlin.CD
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
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
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
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
X*: Anytime Multi-Agent Path Finding for Sparse Domains using Window-Based Iterative Repairs
现实世界的多智能体系统,如仓库机器人,在很大的时间限制下运行-在这种情况下,而不是花费大量的时间来解决最佳路径,而是更可取的是快速找到有效的无碰撞路径,即使是次优的,并给予额外的时间,以迭代地完善这些路径,以提高其成本。在这样的领域中,我们观察到,代理-代理碰撞是稀疏的-它们涉及小的本地代理子集,并在地理上包含在一个小区域的整体空间。利用这种洞察力,我们可以首先为每个代理单独规划路径,并在代理之间发生冲突的情况下,执行限于局部子空间窗口的小型局部修复。在时间允许的情况下,这些窗口可以连续增长,并在其中细化修复,从而提高路径质量,并最终收敛到全局联合最优解。利用这些见解,我们提出了两个算法的贡献:1)窗口化的任意时间多智能体规划框架(WAMPF)的一类随时规划者,快速生成有效的路径与次优估计,并生成最佳路径,给出足够的时间,和2)X*,一个有效的WAMPF为基础的规划。在WAMPF的修复生长步骤中,X* 能够通过采用重用技术有效地找到连续的有效解。在实验中,我们证明了在稀疏域中:1)X* 在到达有效路径的时间上优于最先进的任何时间或最佳MAPF解算器,2)X* 在到达最佳路径的时间上与最先进的任何时间或最佳MAPF解算器竞争,3)X* 快速收敛到非常紧的次优性界限,以及4)X* 在针对少量代理的有效路径的时间上与现有技术的次优MAPF解算器竞争,同时提供高得多的质量路径。
2020-10-28 cs.MA
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
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
Dynamic Multi-Agent Path Finding based on Conflict Resolution using Answer Set Programming
Sabanci University(萨班哲大学)
我们研究了一个动态版本的多智能体路径寻找问题(称为D-MAPF),现有的代理人可能会离开,新的代理人可能会加入团队在不同的时间。提出了一种基于冲突消解的D-MAPF算法。这个想法是,当一组新的代理加入团队,有冲突,而不是重新规划整个团队,重新规划只有一个最小的子集的代理,其计划相互冲突。我们利用答案集编程作为我们的方法的一部分,规划,重新规划和确定最小的冲突集。
2020-09-22 cs.AI cs.LO cs.MA
Local Guidance for Configuration-Based Multi-Agent Pathfinding
本研究针对多智能体路径规划(MAPF),提出局部引导方法,向规划器提供时空线索,应用于LaCAM求解器后在保证时间预算的前提下显著提升解决方案质量,建立了MAPF新的性能前沿。
2025-11-15 cs.AI cs.MA cs.RO
Overview: Generalizations of Multi-Agent Path Finding to Real-World Scenarios
University of Southern California(南加州大学);Georgia Institute of Technology(佐治亚理工学院);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
多智能体路径寻找(MAPF)在人工智能、机器人学、理论计算机科学和运筹学等领域得到了广泛的研究。我们讨论了将MAPF方法推广到现实世界的场景时出现的问题,以及解决这些问题的四个研究方向。我们强调解决这些问题的重要性,而不是开发更快的方法,标准制定的MAPF问题。
2017-02-17 cs.AI cs.MA cs.RO