[論文レビュー] LaCAM: Search-Based Algorithm for Quick Multi-Agent Pathfinding

Keisuke Okumura|arXiv (Cornell University)|Nov 24, 2022

Robotic Path Planning Algorithms被引用数 4

ひとこと要約

LaCAM は、低レベルのエージェント固有の経路探索からの遅延制約生成を用いた二段階探索を採用する、新しい完全かつ効率的な探索ベースのマルチエージェント経路探索（MAPF）アルゴリズムである。大規模で密集したグリッド上でも 10,000 人のエージェントに対して1秒未塔の計画時間を達成し、最速性、成功確率、解の品質の面で最先端の部分最適ソルバーよりも優れている。

ABSTRACT

We propose a novel complete algorithm for multi-agent pathfinding (MAPF) called lazy constraints addition search for MAPF (LaCAM). MAPF is a problem of finding collision-free paths for multiple agents on graphs and is the foundation of multi-robot coordination. LaCAM uses a two-level search to find solutions quickly, even with hundreds of agents or more. At the low-level, it searches constraints about agents' locations. At the high-level, it searches a sequence of all agents' locations, following the constraints specified by the low-level. Our exhaustive experiments reveal that LaCAM is comparable to or outperforms state-of-the-art sub-optimal MAPF algorithms in a variety of scenarios, regarding success rate, planning time, and solution quality of sum-of-costs.

研究の動機と目的

• リアルタイムで数百〜数千人のエージェントを処理できる、高速で完全かつスケーラブルなマルチエージェント経路探索（MAPF）アルゴリズムの開発。
• 特に最適アルゴリズムが遅すぎるため、大規模な MAPF 応用における解の品質と計画速度のトレードオフを解消すること。
• 高密度の障害物と多数のエージェントを有する複雑な環境（例：自動化された倉庫）における効率的な計画を可能にすること。
• 外部の単一エージェント計画法を統合できるモジュラーや拡張性に優れたフレームワークを設計すること。
• 低レベルで遅延制約追加を採用することで、解の完全性を保ちながらも探索作業を著しく削減できることを示すこと。

提案手法

• LaCAM は二段階探索を採用する：高レベルでのエージェント構成の探索と、低レベルでのエージェント固有の移動制約の探索。
• 高レベルでは、各ノードがタイムステップにおける全エージェント構成（エージェントの位置）を表し、低レベルからの制約を用いて遅延的に後続ノードを生成する。
• 低レベルでは単一エージェント経路探索を実行し、次の構成でどのエージェントがどこに移動するかを特定し、正の制約（例：「エージェント i は頂点 v に移動する」）を生成する。
• 制約は必要に応じて段階的に追加され、全構成の列挙と比較して分岐数と探索空間を削減する。
• アルゴリズムは、コスト合計に基づくヒューリスティクスを用いた A* を使用し、外部の計画法（例：PIBT）を構成生成のための統合可能なものとして統合している。
• 制約の追加によって衝突を解消する際、構成を体系的に探索することで完全性を保ち、CBS とは逆に正の制約（誰がどこに行くか）を用いる。

実験結果

リサーチクエスチョン

• RQ1 遅延制約追加を伴う二段階探索は、大規模な MAPF において完全性と高速性を両立できるか？
• RQ2 最先端の部分最適 MAPF アルゴリズムと比較して、LaCAM の計画時間、成功確率、解の品質はどの程度優れているか？
• RQ3 LaCAM は大規模で密集したグリッド上での 10,000 人のエージェントに対してリアルタイム制約内にスケーラブルか？
• RQ4 正の制約（誰がどこに行くか）と負の制約（誰がどこに行けないか）を比較した場合、探索効率にどのような影響があるか？
• RQ5 高レベル構成における遅延的・段階的後続ノード生成によって、分岐数をどの程度削減できるか？

主な発見

• MAPF ベンチマークの 32×32 グリッド（障害物率 20%）上での 400 人インスタンスを、中央値 1 秒で全件解決。ベースラインの部分最適アルゴリズムは 30 秒のタイムアウトで失敗した。
• 大規模な 1491×656 の四連結グリッド上では、10,000 人のエージェントを含むインスタンスを数十秒で成功して解決し、強力なスケーラビリティを示した。
• 高密度な状況（エージェント数／空間比が高い）においても、LaCAM は高い成功確率と短い計画時間を維持したが、他のソルバはしばしば失敗またはタイムアウトした。
• 低レベル探索で正の制約を用いることで、負の制約アプローチと比較して探索空間が削減され、収束が速くなった。
• LaCAM の遅延的後続ノード生成により、有効な分岐数が抑制され、多数のエージェントを含む場合でも高速な収束が可能になった。
• アルゴリズムは、部分最適であるにもかかわらず、競争力のあるコスト合計（SOC）値を達成し、多様な地図タイプとエージェント密度において高い耐障害性を示した。