CBS（Conflict-Based-Search）原理和代码实现

rommel rain

于 2024-10-09 10:47:14 发布

阅读量3.1k

点赞数 48

文章标签： python

本文链接：https://blog.csdn.net/qq_52024723/article/details/142780693

版权

CBS（Conflict-Based Search）算法是一种用于多智能体路径规划（‌MAPF）的算法。关于MAPF问题的定义、冲突类型、目标函数等基础知识可以参考这篇文章：https://zhuanlan.zhihu.com/p/613639712

因为MAPF的状态空间随agent数量呈指数增长，所以也不能保证多项式时间复杂度能验证一个结果，是一个NP-hard问题，无法得到最优解。agent数量多时通常使用次优求解器

CBS算法

全称Conflict-Based-Search，CBS分为两层，下层对单个agent进行调度，上层解决多agent之间的冲突问题

原论文：Sharon G, Stern R, Felner A, et al. Conflict-based search for optimal multi-agent pathfinding[J]. Artificial intelligence, 2015, 219: 40-66.

论文地址：https://www.sciencedirect.com/science/article/pii/S0004370214001386

关键定义

path : 一条机器人的路径，也就是我们平时用得最多的单机规划结果
solution : 多机系统中所有机器人的 path 的集合( n 条 path )，也就是 mapf 算法的全局规划结果
conflict : 冲突．上述的 solution 中， n 条 path 之间可能会有冲突(没冲突当然皆大欢喜了)．具体的描述形式为 () ，表示在时刻 t , 和同时占据了顶点 v . 拿栅格地图来说，就是在时刻 t , 和同时占据了矩阵的一个格子 matrix(i,j) .
constraints : 约束．一个约束 (,v,t) ，表示在时刻 t , 不能占据顶点 v .
约束树 CT

CT的每个节点，包含：

constraint，也就是某agent在某个时刻不能经过某个节点
solution，也就是能够满足这个约束的一种策略
cost，当前策略的成本，比如所有agent要走的路径之和

步骤

1.先计算每个agent的最短路径

2.检测冲突，如果没有冲突则算法结束，返回结果

3.如果有冲突，选择一个冲突创建两个子问题：如下图，发现1号和2号在t=2时存在冲突，那么两个子问题就是让2号在t=2时不经过冲突点和让1号在t=2时不经过冲突点

4.最终形成一个搜索树，每个节点表示一个路径规划状态，算法在树中搜索得到无冲突的路径

局限性

计算复杂性可能会在处理大规模问题时变得很高。

尽管CBS被证明是完备和最优的，但在实践中，它可能会花费较长时间来找到最优解。

对于一些问题，CBS生成的路径可能会相对较长，因为它主要关注冲突解决而不是路径优化。这可能导致生成的解决方案在路径长度上不够优秀。

CBS的性能可能受到特定问题实例的影响。在某些问题上表现良好，而在另一些问题上可能效果不佳。

CBS代码实现（python）

源代码：GitHub - msaudulhassan/mapf: Python implementation of Space-time A*, Prioritized Planning, & Conflict-based Search for Multi-agent Path Finding (MAPF) 这个链接里面有Space-time A*, Prioritized Planning, & Conflict-based Search for Multi-agent Path Finding的python实现

下面是关于源代码的解读：

CBS上层

对应的py文件：mapf-main/cbs.py

CBS上层有一个open_list，这个列表用来记录冲突节点树

open_list的节点：

root = {'cost': 0,  # 当前的花销，即所有agent都走完花费的最少时间步
        'constraints': [],  # 限制条件
        'paths': [],    # 给每个agent单独规划出的路径
        'collisions': []}   # 冲突，每条冲突记录了冲突发生的agent、位置、时间戳

冲突检测：

使用A*规划好若干agent的路径之后，对这些路径进行冲突检测

冲突有两类，顶点冲突vertex_collision和边冲突edge_collision。顶点冲突就是某一时刻t，两个agent同时到达同一位置边冲突就是两个agnet不会发生位置互换，例如agent_1在时刻位于,agent_2在时刻位于,而agent_1在下一时刻位于，agent_2在下一时刻位于

当冲突发生时，记录发生冲突的两个agent、冲突发生的位置、时间戳（不是指现实世界的时间戳，而是记录agent行动步数的时间戳）

算法：

创建第一个节点，即所有agent在没有约束下使用下层算法得到各自的路径，将这个节点加入open_list
从open_list中弹出一个节点，检测它的冲突，如果无冲突则返回当前每个agent的路径；有冲突则根据冲突得到对不同agent在某一时刻的约束，这些约束每一个都产生一个子节点
重复2步骤，直到open_list为空

CBS下层的A*实现

在CBS下层对单个agent使用A*来规划路径，与单独A*相比，需要添加上对路径的限制constraints

对应py文件：mapf-main/single_agent_planner.py

计算heuristics

def compute_heuristics(my_map, goal)

使用Dijkstra构建从goal出发的最短路径树：

使用open_list存储待扩展节点，也就是已发现但未被探索的节点。这是一个list，其中元素为cost、goal以及{cost,goal}组成的一个tuple。例如：(0, (1, 5), {'cost': 0, 'loc': (1, 5)})

使用closed_list存储已探索节点，确保这些节点不会被重复处理。这是一个dict，元素的key为某个非障碍物的位置，value为由这个点的cost和value组成的dict

算法：

根据goal以及它的cost构建open_list节点，作为open_list的初始元素
选出open_list堆最上面的节点，在它的4个方向上进行探索，如果探索节点是障碍物或超出地图边界，则进入下一循环；如果没问题则在之前cost基础上+1，并检查这个节点是否被探索过（是否在closed_list），如果被探索过则更新closed_list，如果没有被探索过则在closed_list中直接创建一个新的node
重复2步骤，直到open_list为空
将closed_list节点中的节点存入h_values作为返回内容

这个函数被调用的位置：初始化CBS等算法时，获得每个agent在不同位置时距离终点的启发式。本以为这个地方使用的是曼哈顿距离，但是仔细一看还真不是

寻路

def a_star(my_map, start_loc, goal_loc, h_values, agent, constraints)

参数agent是该智能体的序号

关键结构：

node节点：包含loc,g_val,h_val,parent和timestamp，记录agent在当前位置下的实际成本、启发式、父节点和时间戳
frontier：相当于open_list，栈中存储的节点元素为总成本、启发式、位置和对应节点构成的tuple
explored_set：相当于closed_list，元素key为节点位置+节点时间戳，value为节点本身

算法：

构建约束表，初始化frontier和explored_set，相当于open_list和closed_list
创建agent初始位置的节点，并加入到frontier和explored_set
从frontier弹出节点，检查这个节点的5个动作（除了上下左右还有STAY）之后的节点是否是终点，如果是则退出循环返回path；否则判断是否出界/是否是障碍物/是否和约束相违背，如果没有，则更新frontier和explored_set，更新策略和上面的计算heuristics相同
循环3步骤，直到frontier为空或到达终点