[論文レビュー] Pairwise Symmetry Reasoning for Multi-Agent Path Finding Search

Jiaoyang Li, Daniel Harabor+2 more|arXiv (Cornell University)|Mar 12, 2021

Robotic Path Planning Algorithms参考文献 38被引用数 26

ひとこと要約

本論文はMAPFにおける難しさの主要な源として対ペア対称性を特定し、CBS内で長方形（矩形）、ターゲット、廊下の対称性を解消する対称性破り技法を開発し、ノード展開の大幅な削減とスケーラビリティ向上をもたらす。

ABSTRACT

Multi-Agent Path Finding (MAPF) is a challenging combinatorial problem that asks us to plan collision-free paths for a team of cooperative agents. In this work, we show that one of the reasons why MAPF is so hard to solve is due to a phenomenon called pairwise symmetry, which occurs when two agents have many different paths to their target locations, all of which appear promising, but every combination of them results in a collision. We identify several classes of pairwise symmetries and show that each one arises commonly in practice and can produce an exponential explosion in the space of possible collision resolutions, leading to unacceptable runtimes for current state-of-the-art (bounded-sub)optimal MAPF algorithms. We propose a variety of reasoning techniques that detect the symmetries efficiently as they arise and resolve them by using specialized constraints to eliminate all permutations of pairwise colliding paths in a single branching step. We implement these ideas in the context of the leading optimal MAPF algorithm CBS and show that the addition of the symmetry reasoning techniques can have a dramatic positive effect on its performance - we report a reduction in the number of node expansions by up to four orders of magnitude and an increase in scalability by up to thirty times. These gains allow us to solve to optimality a variety of challenging MAPF instances previously considered out of reach for CBS.

研究の動機と目的

• MAPFにおける連結爆発を引き起こす対ペア対称性現象を特定し、特徴づける。
• 対称的衝突を解消する効率的な対称性破り制約を開発する。
• 提案された対称性推論がCBSの完全性と最適性を保持することを証明する。
• 4近傍グリッド上でCBSおよびその派生に対して対称性技術を実装・評価する。

提案手法

• 指数的な探索増大をもたらす対ペア対称性の型を定義・分類する（長方形、ターゲット、廊下）。
• バリアと制約ベースの対称性破り技法を導出し、対称衝突を単一分岐ステップで解消する。
• 制約集合の相互排他性を証明し、CBSの保証（完全性と最適性）を保持する。
• 長方形ベースの推論をCBSHおよびCBSH2のフレームワークに統合し、一般化シナリオへ拡張する。
• MAPF事例で経験的に評価し、ノード展開の削減と解決性の向上を報告する。

実験結果

リサーチクエスチョン

• RQ1 MAPFで発生する対ペア対称性にはどのような種類があり、それらは最適探索性能にどう影響するか？
• RQ2 対称性破り制約を、完全性や最適性を失うことなく対称的な経路の組み合わせを排除するように設計するには？
• RQ3 提案された長方形、ターゲット、廊下推論技法は、実際にはCBSとその派生にどのような影響を与えるか？
• RQ4 対称性推論をCBSとその派生に適用したとき、ノード展開、解ける事例数などの実証的な利得は何か？

主な発見

• 対称性推論によりCBSのノード展開を最大で4オーダーもの大幅削減が可能である。
• 対称性手法を追加するとスケーラビリティが劇的に向上し、場合によっては約30倍程度になる。
• CBSHとその派生（CBSH2、Mutex Propagation）は難易度の高いインスタンスで実行時間と解決性の大幅な向上を示す。
• 長方形対称性推論は2エージェント衝突の大半を単一の分岐ステップで解消できる。
• これらの技術は、相互排他的制約フレームワークの下でCBSの完全性と最適性を保持する。