SMART：密集环境下的可扩展多智能体推理与轨迹规划
机器人学
2025-09-22 v1 系统与控制
系统与控制
摘要
多车辆轨迹规划是一个非凸问题，在密集环境中由于碰撞约束的快速增长而变得愈发困难。对可行行为的高效探索和对紧密交互的解决是实现实时、大规模协调的关键。本文介绍了 SMART（Scalable Multi-Agent Reasoning and Trajectory Planning，可扩展多智能体推理与轨迹规划），这是一个分层框架，结合了基于优先级的搜索与分布式优化，以实现高效且可行的多车辆规划。上层使用基于强化学习的优先级估计和大步长混合 A* 搜索来探索多样的交互模式，而下层通过可并行化的凸优化来细化解决方案。通过在相邻车辆之间划分空间并构建稳健的可行走廊，该方法将联合非凸问题解耦为可高效并行求解的凸子问题。这种设计缓解了步长权衡，同时确保了运动学可行性和碰撞避免。实验表明，SMART 始终优于基线。在 50 m x 50 m 地图上，在车辆数达到 25 辆时，它能在 1 s 内保持 90% 以上的成功率，而基线通常降至 50% 以下。在 100 m x 100 m 地图上，SMART 在车辆数达到 50 辆时实现了 95% 以上的成功率，并在车辆数达到 90 辆时保持可行，其运行时间比纯优化方法快一个数量级以上。基于车联网（vehicle-to-everything）通信，SMART 通过路边感知和智能体协调纳入了车路协同，提高了可扩展性和安全性。真实世界实验进一步验证了该设计，实现了低至 0.014 s 的规划时间，同时保持了协同行为。
引用
@article{arxiv.2509.15737,
title = {SMART: Scalable Multi-Agent Reasoning and Trajectory Planning in Dense Environments},
author = {Heye Huang and Yibin Yang and Wang Chen and Tiantian Chen and Xiaopeng Li and Sikai Chen},
journal= {arXiv preprint arXiv:2509.15737},
year = {2025}
}