大规模多智能体路径规划

AITIME论道

于 2021-03-30 17:53:26 发布

阅读量1w

点赞数 30

文章标签：算法机器学习人工智能 java 计算机视觉

本文链接：https://blog.csdn.net/AITIME_HY/article/details/115339834

版权

本文介绍了多智能体路径规划（MAPF）在仓储系统、交通调度等领域的应用，并探讨了如何通过改进算法提高效率和解的质量。作者提出了一种名为EECBS的新算法，用于加速CBS并处理大规模问题。此外，还讨论了k-robust MAPF中的对称性问题及其解决方案，以及如何在实时动态系统中进行终身多智能体路径规划。最后，文章阐述了如何结合非线性动力学和干扰约束进行安全的多智能体运动规划。

摘要由CSDN通过智能技术生成

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

李娇阳：南加州大学计算机系博士四年级学生，导师Sven Koenig, 本科毕业于清华大学自动化系。目前主要的研究方向为人工智能，多智能体规划，组合优化，搜索算法等。以第一作者在AAAI，IJCAI，ICAPS，AAMAS等顶级会议上发表论文十余篇。曽担任Artificial Intelligence, IEEE Robotics and Automation Letters等期刊审稿人，AAAI，IJCAI，ICAPS等会议评审委员会委员，IJCAI会议评审委员会资深委员，并组织举办了IJCAI-2020多智能体路径规划研讨会。曾获得2019年南加州大学技术商业化奖，2020年高通奖学金，2020年ICAPS最佳学生论文，以及2020年NeurIPS Flatland挑战赛（Multi-Agent Reinforcement Learning on Trains）第一名。本次报告的其中一项工作（论文1）在Amazon Robotics实习期间完成。

一、背景

多智能体路径规划，英文叫Multi-Agent Path Finding，简称为MAPF。它本质上是一个数学问题，通过给每个机器人规划一条路径，保证这些路径不相撞，并最小化总的运行时间。

它有很多实际应用，其中一个是仓储系统。近年来机器人仓储系统吸引了很多人的注意，出现了各种各样的仓储系统，比较典型的有亚马逊的Kiva system，以及sorting center，和一些比较新的系统。这些系统本质上是给成百上千个机器人同时做规划路径，然后保证它们既不相撞，同时又能很快的到达目的地。

传统方法采用single-agent方法，通过给每一个机器人规划它们的最短路，或者最小时间路径。如果两个机器人可能相撞，就用一些简单的交通规则处理，比如说其中一个机器人减速或换一条路。但这种方法在简单的系统中工作较好，一旦机器人数量或密度增大，就会出现拥堵，导致整个系统效率变低。而MAPF solver把所有机器人的路径一起规划，会考虑到各种碰撞的可能性。在同等情况下，MAPF solver可以很好的去调度所有的机器人的路径，使得它们可以顺畅的到达目的地。

这张图展示了不同机器人个数下，系统吞吐量的变化。可以看到在一开始的时候，两种方法很接近，基本上保持线性增加，但是当机器人个数到一定值的时候，Single-agent会出现拥堵，导致系统的吞吐量增长率开始下降，经过巅峰之后，增长率开始下降，这是因为系统中出现了严重的交通拥堵，导致系统开始瘫痪。而对于MAPF solver来说，在测试的1000个机器人之内，吞吐量几乎保持线性增长。