大规模自由空间多智能体路径规划的可扩展后处理管线（基于PiBT）
机器人学
2025-06-23 v1 多智能体系统
摘要
自由空间多智能体路径规划在大规模场景下仍具挑战性。大多数现有方法要么提供最优性保证但无法扩展到数十个代理以上，要么依赖网格世界假设在连续空间中难以普适。本文提出一种混合、基于规则的规划框架，将优先继承与回溯（Priority Inheritance with Backtracking, PiBT）与一种新颖的安全感知路径平滑方法结合。我们的ethods将PiBT扩展到8连通网格中，选择性地应用基于字符串拉伸的平滑，同时通过局部交互感知和基于安全区间路径规划（SIPP）的回退碰撞解决步骤保持碰撞安全。这种设计允许我们在保持实时性能的同时缩短整体路径长度。我们展示了该方法可扩展到500多智能体的大型自由空间环境， 在运行时间上优于现有的任意角度和最优方法，同时在稀疏域中产生接近最优的轨迹。我们的結果表明，这种框架是机器人系统在网格约束之外实现可扩展、实时多智能体导航的有前景的构建模块。
引用
@article{arxiv.2506.16748,
title = {A Scalable Post-Processing Pipeline for Large-Scale Free-Space Multi-Agent Path Planning with PiBT},
author = {Arjo Chakravarty and Michael X. Grey and M. A. Viraj J. Muthugala and Mohan Rajesh Elara},
journal= {arXiv preprint arXiv:2506.16748},
year = {2025}
}