RDE：一种用于多智能体路径寻找问题的混合策略框架
机器人学
2023-11-06 v1
摘要
多智能体路径寻找（MAPF）是仓库自动化中多个机器人导航的抽象模型，其中多个机器人规划从起点到目标位置的无碰撞路径。强化学习（RL）已被用于开发部分可观测的分布式 MAPF 策略，可扩展到任意数量的智能体。然而，基于 RL 的 MAPF 策略常因仓库自动化中密集且结构化的障碍物而使智能体陷入死锁。本文提出一种新颖的混合 MAPF 策略 RDE，基于在基于 RL 的 MAPF 策略、基于距离热力图（DHM）的策略和逃脱策略之间进行切换。基于 RL 的策略用于智能体间的协调。相反，当智能体视野内无其他智能体时，可通过查询 DHM 获得下一动作。随机选取有效动作的逃脱策略可帮助智能体摆脱死锁。我们在类仓库结构化网格地图上使用最先进的基于 RL 的 MAPF 策略（DHC 和 DCC）进行仿真，表明 RDE 能显著提升它们的性能。
引用
@article{arxiv.2311.01728,
title = {RDE: A Hybrid Policy Framework for Multi-Agent Path Finding Problem},
author = {Jianqi Gao and Yanjie Li and Xiaoqing Yang and Mingshan Tan},
journal= {arXiv preprint arXiv:2311.01728},
year = {2023}
}