[論文レビュー] Optimal Target Assignment and Path Finding for Teams of Agents

Hang Ma, Sven Koenig|arXiv (Cornell University)|May 9, 2016

Robotic Path Planning Algorithms参考文献 25被引用数 95

ひとこと要約

本稿では、時間拡張ネットワークを用いた最小費用最大流によるチーム内計画と、衝突ベース探索を用いたチーム間衝突解消を組み合わせることで、チームのエージェントに対して最適なターゲット割り当てと経路探索（TAPF）問題を効果的に解く階層的アルゴリズムCBMを提案する。CBMは、数百体のエージェントと数十チームのシナリオにおいても最適なマケスパンを保証する。

ABSTRACT

We study the TAPF (combined target-assignment and path-finding) problem for teams of agents in known terrain, which generalizes both the anonymous and non-anonymous multi-agent path-finding problems. Each of the teams is given the same number of targets as there are agents in the team. Each agent has to move to exactly one target given to its team such that all targets are visited. The TAPF problem is to first assign agents to targets and then plan collision-free paths for the agents to their targets in a way such that the makespan is minimized. We present the CBM (Conflict-Based Min-Cost-Flow) algorithm, a hierarchical algorithm that solves TAPF instances optimally by combining ideas from anonymous and non-anonymous multi-agent path-finding algorithms. On the low level, CBM uses a min-cost max-flow algorithm on a time-expanded network to assign all agents in a single team to targets and plan their paths. On the high level, CBM uses conflict-based search to resolve collisions among agents in different teams. Theoretically, we prove that CBM is correct, complete and optimal. Experimentally, we show the scalability of CBM to TAPF instances with dozens of teams and hundreds of agents and adapt it to a simulated warehouse system.

研究の動機と目的

• 既知の環境下で、複数チームのエージェントに対してターゲット割り当てと衝突のない経路計画を統合的に扱うTAPF問題を解決すること。
• 匿名および非匿名のマルチエージェント経路探索問題を統一的なフレームワークに一般化すること。
• 最後のエージェントが割り当てられたターゲットに到着するまでの時間（マケスパン）を最小化するとともに、衝突のない運動を保証すること。
• 大規模なTAPFインスタンスに対してスケーラブルで、最適かつ完全なアルゴリズムを開発すること。

提案手法

• CBMは時間拡張ネットワークを用いてエージェントの時系列的移動をモデル化し、チーム内でのターゲット割り当てと経路計画に最小費用最大流を適用する。
• 低レベルでは、最小費用最大流を用いて各チーム内でのエージェントのターゲット割り当てと最適経路の計算を実行する。
• 高レベルでは、異なるチームに属するエージェント間の衝突を段階的に特定・解消することで、衝突ベース探索を用いてチーム間の衝突を解消する。
• チームベースの計画とチーム間衝突解消を階層的アーキテクチャで統合し、グローバル最適性を保証する。
• 時間拡張グラフ内での体系的な衝突検出と解消により、正しさ、完全性、最適性を維持する。
• エージェントの識別子とターゲット割り当てに応じた流れの定式化の適応により、匿名および非匿名の両設定をサポートする。

実験結果

リサーチクエスチョン

• RQ1 チーム内およびチーム間のエージェント連携を処理しつつ、TAPFに対して最適なマケスパンを達成できる統一的アルゴリズムは存在するか？
• RQ2 最小費用最大流と衝突ベース探索をどのように効果的に統合することで、大規模なTAPF問題を解けるか？
• RQ3 チーム数およびエージェント数の観点から、このような階層的アプローチのスケーラビリティはどの程度か？
• RQ4 密なエージェント相互作用が生じる複雑な複数チーム環境においても、アルゴリズムは最適性と完全性を維持できるか？
• RQ5 実際のシミュレーション環境（例：倉庫物流）において、CBMの性能は既存手法と比較してどうか？

主な発見

• CBMは、既知の地形におけるTAPF問題を解くにあたり、正しく、完全かつ最適であることが証明されている。
• 本アルゴリズムは、数十チームおよび数百エージェントを含むTAPFインスタンスに対しても、効果的にスケーリング可能である。
• 実験結果から、CBMは大規模なシナリオにおいて最適なマケスパンを達成していることが示された。
• 最小費用最大流と衝突ベース探索の統合により、チーム間衝突の効率的かつスケーラブルな解消が可能になった。
• CBMは、シミュレーテッド・ウォールレット・システムにおいても成功裏に適応・評価され、実用的応用性が確認された。