面向部分可观测多智能体路径规划的去中心化蒙特卡洛树搜索
人工智能
2023-12-27 v1 机器学习
多智能体系统
摘要
多智能体路径规划(MAPF)问题涉及为一组限制在图中移动的智能体找到一组无冲突路径。在典型的MAPF场景中，图以及智能体的起始和终止顶点事先已知，因此可以使用集中式规划算法。然而，在本研究中，我们关注去中心化MAPF设置，其中智能体可能仅局部观测到其他智能体，并且彼此之间的通信受限。具体来说，我们研究了MAPF的终身变体，其中在完成先前目标后，新目标会持续分配给智能体。受成功的AlphaZero方法的启发，我们提出了一种用于MAPF任务的去中心化多智能体蒙特卡洛树搜索(MCTS)方法。我们的方法利用智能体的观测来重建内在马尔可夫决策过程，然后使用为多智能体任务定制的神经MCTS版本进行规划。实验结果表明，我们的方法优于最先进的可学习MAPF求解器。源代码可在https://github.com/AIRI-Institute/mats-lp获取。
引用
@article{arxiv.2312.15908,
title = {Decentralized Monte Carlo Tree Search for Partially Observable Multi-agent Pathfinding},
author = {Alexey Skrynnik and Anton Andreychuk and Konstantin Yakovlev and Aleksandr Panov},
journal= {arXiv preprint arXiv:2312.15908},
year = {2023}
}
备注
The paper is accepted to AAAI-2024 conference