分层LA-MAPF：大规模智能体MAPF问题的分解以加速求解而不牺牲可解性
机器人学
2024-10-23 v1 人工智能
摘要
多智能体路径寻找(MAPF)近年来受到广泛关注。然而，大多数现有MAPF算法假设智能体仅占据网格中单个格子，这一假设限制了其在许多现实场景的适用性，其中智能体具有几何形状，而非点状。此类智能体可同时占据多个单元格，称为“大型”智能体。在考虑智能体的形状和尺寸时，随着智能体数量的增加，计算复杂度显著上升，主要由于几何智能体之间冲突检测的开销增加。在本文中，我们提出两种子问题用于LA-MAPF（大型智能体MAPF）问题：\textbf{簇}（无需对解的顺序施制约束）和\textbf{层}（对解的顺序施加约束）。我们引入\textbf{分层LA-MAPF}方法，将涉及几何智能体的MAPF问题分解为簇，再将每个簇进一步分解为层。这种方法旨在解决LA-MAPF问题时降低时间复杂度。我们的结果展示了在各种地图上随着智能体数量增加时，我们方法的性能，以及它如何加速LA-MAPF方法，如LA-CBS和LA-LaCAM。实验表明，我们的LA-MAPF方法通过实例分解\textbf{将求解时间减半（平均从40秒降至20秒）和成功率提升三倍（从平均0.27提升至0.80）}。为促进进一步的研究，我们已在\url{https://github.com/JoeYao-bit/LayeredMAPF/algorithm/LA-MAPF}公开提供了源代码。
引用
@article{arxiv.2410.17160,
title = {Layered LA-MAPF: a decomposition of large agent MAPF instance to accelerate solving without compromising solvability},
author = {Zhuo Yao},
journal= {arXiv preprint arXiv:2410.17160},
year = {2024}
}