在次优 CBS 中有效整合加权代价启发式与冲突启发式
人工智能
2024-03-26 v5 多智能体系统
机器人学
摘要
基于冲突的搜索（CBS）是一种流行的多智能体路径寻找（MAPF）求解器，它采用底层单智能体规划器与高层约束树来解决冲突。绝大多数现代 MAPF 求解器侧重于通过各种策略缩减该树的大小来改进 CBS，少数方法修改底层规划器。现有 CBS 方法中的底层规划器通常使用未加权代价启发式，次优 CBS 方法还使用冲突启发式来辅助高层搜索。本文中，我们表明与主流 CBS 观点相反，加权代价启发式可有效用于两种可能变体中，与冲突启发式协同工作。特别地，其中一种变体在多个场景与次优 CBS 方法上可获得 2-100 倍的显著加速。重要的是，我们发现性能并非与加权代价启发式相关，而是与相对冲突启发式权重有效平衡底层与高层工作的能力相关。此外，据我们所知，我们展示了优先规划与有界次优 CBS 的首个理论关联，并证明我们的方法为其自然推广。2024 年 3 月更新：我们发现相对加速比下降至约 1.2-10 倍，取决于冲突启发式的计算方式（详见附录）。
引用
@article{arxiv.2205.11624,
title = {Effective Integration of Weighted Cost-to-go and Conflict Heuristic within Suboptimal CBS},
author = {Rishi Veerapaneni and Tushar Kusnur and Maxim Likhachev},
journal= {arXiv preprint arXiv:2205.11624},
year = {2024}
}
备注
Published in AAAI 2023