Flatland 2020 竞赛：面向网格世界高效列车协调的 MAPF 与 MARL
人工智能
2021-03-31 v1 机器学习
摘要
Flatland 竞赛旨在寻找解决车辆重调度问题（VRSP）的新方法。VRSP 关注交通网络中的行程调度以及当扰动发生（例如车辆故障）时的车辆重调度。虽然在各种设置下解决 VRSP 一直是运筹学（OR）中数十年的活跃领域，但现代铁路网络日益增长的复杂性使得交通的动态实时调度几乎不可能。近来，多智能体强化学习（MARL）已成功应对许多智能体需要协调的具有挑战性的任务，例如多人视频游戏。然而，在像铁路网络这样的真实环境中协调数百个智能体仍然具有挑战性，竞赛所用的 Flatland 环境以简化方式对这些真实世界特性进行建模。提交方案须将尽可能多的列车（智能体）在尽可能短的时间内带到其目标车站。虽然最佳提交方案属于 OR 类别，但参与者发现了许多有前景的 MARL 方法。使用集中式和分散式基于学习的方法，顶尖提交方案利用环境的图表示来构造基于树的观测。此外，实现了不同的协调机制，例如智能体之间的通信与优先级排序。本文介绍了竞赛设置、四个杰出的竞赛解决方案以及它们之间的交叉比较。
引用
@article{arxiv.2103.16511,
title = {Flatland Competition 2020: MAPF and MARL for Efficient Train Coordination on a Grid World},
author = {Florian Laurent and Manuel Schneider and Christian Scheller and Jeremy Watson and Jiaoyang Li and Zhe Chen and Yi Zheng and Shao-Hung Chan and Konstantin Makhnev and Oleg Svidchenko and Vladimir Egorov and Dmitry Ivanov and Aleksei Shpilman and Evgenija Spirovska and Oliver Tanevski and Aleksandar Nikov and Ramon Grunder and David Galevski and Jakov Mitrovski and Guillaume Sartoretti and Zhiyao Luo and Mehul Damani and Nilabha Bhattacharya and Shivam Agarwal and Adrian Egli and Erik Nygren and Sharada Mohanty},
journal= {arXiv preprint arXiv:2103.16511},
year = {2021}
}
备注
28 pages, 8 figures