[論文レビュー] Traffic Flow Optimisation for Lifelong Multi-Agent Path Finding

Zhe Chen, Daniel Harabor+2 more|arXiv (Cornell University)|Aug 22, 2023

Robotic Path Planning Algorithms被引用数 4

ひとこと要約

本稿では、マルチエージェント経路探索（MAPF）における混雑に配慮したガイド経路を提案し、PIBTおよびLaCAM*プランナに交通流の原則を統合することで、ワンショットおよびラーリング・MAPFの両方の性能を向上させている。Focal Searchを用いて時間に依存しない混雑回避経路をヒューリスティクスとして計算することで、ワンショットMAPFでは高い解の品質が達成され、ラーリングMAPFでは著しく向上したスループットが得られ、10,000体以上のエージェントに対して1秒未塔の応答時間を達成している。

ABSTRACT

Multi-Agent Path Finding (MAPF) is a fundamental problem in robotics that asks us to compute collision-free paths for a team of agents, all moving across a shared map. Although many works appear on this topic, all current algorithms struggle as the number of agents grows. The principal reason is that existing approaches typically plan free-flow optimal paths, which creates congestion. To tackle this issue, we propose a new approach for MAPF where agents are guided to their destination by following congestion-avoiding paths. We evaluate the idea in two large-scale settings: one-shot MAPF, where each agent has a single destination, and lifelong MAPF, where agents are continuously assigned new destinations. Empirically, we report large improvements in solution quality for one-short MAPF and in overall throughput for lifelong MAPF.

研究の動機と目的

• 高密度のエージェント環境下における既存のMAPFアルゴリズムのスケーラビリティおよび解の品質の限界を解消すること。
• 短視眼的で自由な流れを想定したヒューリスティクスの代わりに、混雑に配慮した経路計画を用いることで、大規模MAPFにおける混雑を低減すること。
• リアルタイムデプロイメントを維持しつつ、ラーリングMAPFにおけるスループットを向上させること。
• 最適化された交通に配慮したガイド経路で探索を誘導することで、ワンショットMAPFにおける解の品質を向上させること。
• 交通科学における交通割り当ての原則をマルチエージェント経路探索に統合し、より良いスケーラビリティとパフォーマンスを実現すること。

提案手法

• 経路に沿った予想されるエージェント密度に基づいて混雑コストを推定する時間に依存しないガイド経路を提案する。
• サブオプティマルリティバウンドを用いてFocal Searchを実行し、迂回距離と混雑回避のバランスを取る。
• 計算されたガイド経路をPIBTおよびLaCAM*プランナに統合し、経路探索を誘導する強化されたヒューリスティクスとして使用する。
• 大規模近傍探索（LNS）に類似した反復的改善手法を用い、時間経過とともに解の品質を向上させる。
• 2段階アプローチを採用する：最初の30秒はガイド経路の計算と最適化に、次の30秒は最終的な解探索に割り当てる。
• 頂点およびエッジの混雑コストを用いて交通遅延をモデル化し、交通割り当て問題（TAP）におけるユーザーエクイリブリウムにインスパイアされている。

実験結果

リサーチクエスチョン

• RQ1 標準的なヒューリスティクスと比較して、混雑に配慮したガイド経路はワンショットMAPFにおける解の品質を顕著に向上させるか？
• RQ2 PIBTベースのプランナが、自由な流れ経路の代わりに混雑回避ヒューリスティクスを用いることで、ラーリングMAPFにおいてより高いスループットを達成できるか？
• RQ3 ガイド経路計算時間と最終的な解の品質のトレードオフが、大規模MAPFにおけるスケーラビリティに与える影響はいかほどか？
• RQ4 TAPにおける交通流の原則を、MAPFに効果的に転用できるか？
• RQ5 将来のエージェント密度を考慮したガイド経路を用いることで、動的で継続的なタスク割り当てシナリオにおいて、全体のシステムスループットが向上するか？

主な発見

• ワンショットMAPFにおいて、F1.2（w=1.2）を用いたGuided LaCAM*は、2000体のエージェントを伴うWarehouseマップで相対的SICが0.982を達成し、標準的なLaCAM*を上回った。
• 8000体のエージェントを伴うWarehouseマップでは、Guided LaCAM*はベースラインのLaCAM*と比較してSICを14.8%低減し、相対的コスト0.852を達成した。
• ラーリングMAPFにおいて、本手法は10,000体のエージェントを伴うWarehouseマップで1秒あたり31.1件のタスク完了を達成し、PIBTおよびLNSを上回った。
• 10,000体のエージェントでも全エージェントの応答時間が1秒未塔を維持され、Warehouseマップでは平均応答時間が0.023秒であった。
• 8000体のエージェントを伴うGameマップでは、1秒あたり6件のタスク完了が達成され、応答時間は0.001秒であった。これは高い効率性を示している。
• ガイド経路の使用により、衝突数が減少し、特に自由な流れヒューリスティクスが失敗する高密度環境において、経路品質が向上した。