[논문 리뷰] MAPFAST: A Deep Algorithm Selector for Multi Agent Path Finding using Shortest Path Embeddings

Jingyao Ren, Vikraman Sathiyanarayanan외 3명|arXiv (Cornell University)|2021. 02. 24.

Robotic Path Planning Algorithms참고 문헌 24인용 수 12

한 줄 요약

MAPFAST는 단일 에이전트 최단경로 임베딩과 다중 작업 손실 훈련을 사용하여 최적의 다중에이전트경로찾기(MAPF)를 위한 딥러닝 기반 알고리즘 선택기이다. 이는 포트폴리오 내 모든 개별 알고리즘과 최신 기술 선택기보다 뛰어난 성능을 발휘한다. MAPFAST는 최단경로를 통해 인스턴스 특징을 인코딩하고 보조 손실 함수를 활용하여 다양한 MAPF 인스턴스에서 일반화 능력과 선택 정확도를 향상시켜 뛰어난 성능을 달성한다.

ABSTRACT

Solving the Multi-Agent Path Finding (MAPF) problem optimally is known to be NP-Hard for both make-span and total arrival time minimization. While many algorithms have been developed to solve MAPF problems, there is no dominating optimal MAPF algorithm that works well in all types of problems and no standard guidelines for when to use which algorithm. In this work, we develop the deep convolutional network MAPFAST (Multi-Agent Path Finding Algorithm SelecTor), which takes a MAPF problem instance and attempts to select the fastest algorithm to use from a portfolio of algorithms. We improve the performance of our model by including single-agent shortest paths in the instance embedding given to our model and by utilizing supplemental loss functions in addition to a classification loss. We evaluate our model on a large and diverse dataset of MAPF instances, showing that it outperforms all individual algorithms in its portfolio as well as the state-of-the-art optimal MAPF algorithm selector. We also provide an analysis of algorithm behavior in our dataset to gain a deeper understanding of optimal MAPF algorithms' strengths and weaknesses to help other researchers leverage different heuristics in algorithm designs.

연구 동기 및 목표

• 다양한 인스턴스 유형에서 성능이 상이하게 나타나는 바, 보편적으로 효율적인 최적의 MAPF 알고리즘이 부족한 문제를 해결하기 위해.
• 주어진 인스턴스에 대해 가장 빠른 최적의 MAPF 알고리즘을 동적으로 선택할 수 있는 자동화되고 데이터 기반의 알고리즘 선택기를 개발하기 위해.
• 표준 분류 손실 외에 단일 에이전트 최단경로 임베딩과 다중 작업 손실 함수를 통합하여 모델 성능을 향상시키기 위해.
• 인스턴스 특성에 따른 알고리즘의 강점과 약점을 이해하여 향후 MAPF 알고리즘 설계를 안내하기 위해.

제안 방법

• MAPFAST는 인셉션 모듈을 활용한 딥 컨volution 신경망을 사용하여 MAPF 인스턴스 임베딩을 처리한다.
• 지도 구조 외부의 단일 에이전트 최단경로 루트 텐서를 포함시켜 입력 표현을 향상시킨다.
• 분류 손실, 완료 손실, 쌍별 순위 손실의 조합을 사용하여 훈련함으로써 모델의 강건성과 일반화 능력을 향상시킨다.
• 포트폴리오에는 다양한 최적 해법이 포함되어 있으며, 검색 기반, 최적화 기반, 만족 가능성 기반 접근 방식을 대표하는 CBS, CBSH, BCP, SAT 알고리즘이 포함되어 있다.
• 공간 비율(SpaceRatio, 자유 공간 대비 경로 사용 비율)과 에이전트 수 등의 인스턴스 특징을 활용하여 모델 학습과 설명 가능성을 유도한다.
• 모델은 다양한 지도 유형, 에이전트 구성, 경로 길이를 포함한 일반화를 보장하기 위해 대규모이고 다양한 MAPF 인스턴스 데이터셋을 기반으로 평가된다.

실험 결과

연구 질문

• RQ1 다양한 인스턴스 유형에서 어떤 MAPF 알고리즘이 가장 우수한 성능을 보이며, 경로 길이나 에이전트 밀도와 같은 인스턴스 특징은 성능에 어떻게 영향을 미치는가?
• RQ2 명시적인 지도 구조 없이 단일 에이전트 최단경로 임베딩만으로도 효과적인 알고리즘 선택기의 정보를 제공할 수 있는가?
• RQ3 보조 손실 함수(완료 손실, 쌍별 순위 손실)는 표준 분류 손실 대비 딥러닝 기반 알고리즘 선택기의 성능을 어떻게 향상시키는가?
• RQ4 특정 MAPF 알고리즘의 성능과 관련된 인스턴스 수준의 특징은 무엇이며, 이를 향후 알고리즘 설계에 어떻게 활용할 수 있는가?
• RQ5 학습된 선택기가 실제 MAPF 시나리오에서 개별 알고리즘과 기존 최신 기술 선택기 모두를 능가할 수 있는가?

주요 결과

• MAPFAST는 대규모이고 다양한 MAPF 인스턴스 데이터셋에서 포트폴리오 내 모든 개별 알고리즘과 최신 기술 선택기를 능가한다.
• 단일 에이전트 최단경로 임베딩의 포함은 지도 구조를 명시적으로 제공하지 않더라도 모델 성능을 크게 향상시키며, 경로 구조만으로도 정확한 선택이 가능하게 한다.
• 보조 손실 함수인 완료 손실과 쌍별 순위 손실은 분류 전용 훈련 대비 측정 가능한 성능 향상을 이끈다.
• CBS는 평균 경로 길이가 짧고 SpaceRatio가 낮은 인스턴스(자유 공간 대비 경로 사용 비율이 낮음)에서 가장 우수한 성능를 보이며, BCP와 CBSH는 더 긴 경로와 높은 SpaceRatio에서 뛰어난 성능를 발휘한다.
• 히트맵 분석을 통해 CBS는 충돌 수에 민감하며, 이는 경로 길이와 밀도와 관련이 있음을 시사한다. 반면 BCP와 CBSH는 다양한 구성에서도 일관된 경로 사용 패턴을 보인다.
• 연구는 SpaceRatio와 에이전트 수를 알고리즘 선택의 핵심 특징으로 규명하였으며, 이들 지표에 기반해 전략을 전환하는 하이브리드 알고리즘 설계 가능성에 대한 통찰을 제공한다.