面向仓库多智能体拣选与配送的序列路径规划器
机器人学
2025-10-01 v2 人工智能
机器学习
多智能体系统
摘要
多智能体拣选与配送（MAPD）是多智能体路径规划（MAPF）的挑战性扩展，其中智能体需按顺序完成具有固定位置拣选和配送需求的任务。尽管学习型方法在 MAPD 上取得了进展，但它们在仅依赖局部观测进行分布式决策的仓库类环境中（狭窄通道和长走廊）往往表现不佳。通信学习可以缓解全局信息缺失，但因点对点通信引入高计算复杂度。为应对这一挑战，我们将 MAPF 建模为序列建模问题，并证明序列建模下的路径规划策略具有序不变最优性，确保其在 MAPD 中的有效性。基于此，我们提出序列路径规划器（SePar），利用 Transformer 范式实现隐式信息交换，将决策复杂度从指数级降至线性，同时保持效率和全局感知。实验表明，SePar 在各种 MAPF 任务及其变体上持续优于现有学习型方法，并能很好地泛化到未见环境。此外，我们强调在仓库等复杂地图中集成模仿学习的必要性。
引用
@article{arxiv.2509.23778,
title = {Sequence Pathfinder for Multi-Agent Pickup and Delivery in the Warehouse},
author = {Zeyuan Zhao and Chaoran Li and Shao Zhang and Ying Wen},
journal= {arXiv preprint arXiv:2509.23778},
year = {2025}
}
备注
Preprint Under Review