在多智能体路径规划中引入延迟

我们考虑这样一种多智能体路径规划(MAPF)场景：智能体已被分配好计划，但在执行过程中部分智能体发生延迟。当此类延迟发生时，我们提出延迟引入方法，即额外延迟一些智能体，从而使计划的其余部分能够安全执行，而非从头重新规划。我们证明寻找最小额外延迟数是APX-Hard的，即对某些$\varepsilon>0$，寻找$(1+\varepsilon)$-近似是NP-Hard的。然而在实践中，我们可以利用基于冲突的搜索为极大量智能体找到最优延迟引入，且规划时间与所得计划长度可与最先进的重规划启发式方法相媲美，有时甚至更优。