基于偏序集乘积的协作时序逻辑任务下快速自适应多智能体规划

高效的协调与规划对于在共享动态环境中协作的大规模多智能体系统至关重要。启发式搜索方法或基于学习的方法往往缺乏对正确性与性能的保证。此外，当协作任务包含空间与时序要求（例如以线性时序逻辑（LTL）公式表示）时，形式化方法为任务规划提供了可验证的框架。然而，由于规划复杂度随智能体数量和任务公式长度呈指数增长，现有研究大多局限于小型人工案例。为解决此问题，本文针对在线且持续发布的系统级时序任务公式提出了一种新的规划范式。它避免了传统方法中的两个常见瓶颈，即（i）将完整任务公式直接翻译为关联的Büchi自动机；以及（ii）Büchi自动机与所有智能体转移模型之间的同步积。相反，本文提出了一种自适应规划算法，该算法在线计算松弛偏序集（R-poset）的乘积，并在排序约束下将这些子任务分配给智能体。研究表明，首个有效规划可相对于系统规模和公式长度以多项式时间与内存复杂度导出。我们的方法可处理长度超过400的任务公式以及规模超过$400$个智能体的机群，而大多数现有方法在公式长度为25时便于合理时间内失效。所提方法在大型服务机器人机群的仿真与硬件实验中得到了验证。