多智能体路径规划中的蒙特卡洛树搜索：初步结果
人工智能
2023-07-26 v1
摘要
本工作中我们研究一个著名且具挑战性的多智能体路径规划 (Multi-agent Pathfinding) 问题：一组智能体被限制在图上，每个智能体被分配唯一起始与目标顶点，任务是找出一组无碰撞路径（每个智能体一条）使各智能体抵达各自目标。我们探究如何利用蒙特卡洛树搜索 (MCTS) 求解该问题。尽管 MCTS 已在诸如对抗性博弈（如围棋、国际象棋等）、发现更快矩阵乘法算法等广泛问题中展现出优越性能，但其在当前问题上的应用此前未被充分研究。为此，我们引入一种专为多智能体路径规划定制的 MCTS 原始变体。我们方法的核心在于引导 MCTS 的奖励如何计算。具体而言，我们利用个体路径辅助智能体达成抵达目标行为，同时保留其在需避碰时偏离路径的自由。我们还使用一种专用分解技术以降低树搜索过程的分支因子。经实验表明，所提方法优于在每再规划步调用启发式搜索（如 A*）的基线规划算法。
引用
@article{arxiv.2307.13453,
title = {Monte-Carlo Tree Search for Multi-Agent Pathfinding: Preliminary Results},
author = {Yelisey Pitanov and Alexey Skrynnik and Anton Andreychuk and Konstantin Yakovlev and Aleksandr Panov},
journal= {arXiv preprint arXiv:2307.13453},
year = {2023}
}
备注
The paper is accepted to HAIS 2023