[论文解读] An approach to multi-agent planning with incomplete information

Alejandro Torreño, Eva Onaindía+1 more|arXiv (Cornell University)|Jan 28, 2015

AI-based Problem Solving and Planning参考文献 13被引用 26

一句话总结

本文提出了一种基于部分顺序规划（POP）的通用多智能体规划（MAP）框架，使智能体能够在信息不完全和耦合程度不同的情况下协作解决规划问题。通过在保持私有知识的同时迭代优化联合计划，该方法在可扩展性和效率方面优于基于CSP的方法，尤其在具有大量智能体的强耦合领域中表现更优。

ABSTRACT

Multi-agent planning (MAP) approaches have been typically conceived for independent or loosely-coupled problems to enhance the benefits of distributed planning between autonomous agents as solving this type of problems require less coordination between the agents' sub-plans. However, when it comes to tightly-coupled agents' tasks, MAP has been relegated in favour of centralized approaches and little work has been done in this direction. In this paper, we present a general-purpose MAP capable to efficiently handle planning problems with any level of coupling between agents. We propose a cooperative refinement planning approach, built upon the partial-order planning paradigm, that allows agents to work with incomplete information and to have incomplete views of the world, i.e. being ignorant of other agents' information, as well as maintaining their own private information. We show various experiments to compare the performance of our system with a distributed CSP-based MAP approach over a suite of problems.

研究动机与目标

• 解决现有MAP方法在处理信息不完全的强耦合问题时的局限性。
• 开发一种通用的、与领域无关的MAP框架，支持智能体拥有对世界部分不完整的视图。
• 在无需完全信息共享的前提下，实现在分布式多智能体系统中的高效协调与计划优化。
• 将所提方法与基于分布式CSP的MAP系统（Planning First）在性能和可扩展性方面进行比较。
• 在包括物流和火星车/卫星任务在内的多种规划领域中，评估该框架的有效性。

提出的方法

• 该方法采用基于部分顺序规划（POP）的合作细化规划范式，使智能体能够迭代构建并修订联合计划。
• 每个智能体使用类似STRIPS的模型维护对世界的私有、不完整视图，包含部分可观测性和开放世界假设。
• 状态变量定义在有限域上，命题（fluents）表示变量-值的赋值或其否定，当无命题存在时，表示值未知。
• 系统通过迭代计划优化来建模智能体协调，智能体仅交换与协调相关的信息，而非完整私有知识。
• 该框架动态整合规划与协调阶段，避免在强耦合领域中出现组合爆炸。
• 基于POP的算法逐步构建联合计划，确保一致性并最小化不必要的协调开销。

实验结果

研究问题

• RQ1 基于POP的多智能体规划框架是否能有效处理具有不同耦合程度的问题，包括强耦合领域？
• RQ2 与基于分布式CSP的方法（Planning First）相比，所提出的MAP-POP方法在可扩展性和解的质量方面表现如何？
• RQ3 智能体在多大程度上可以保持私有信息，同时仍能达成协调一致的联合计划？
• RQ4 该框架在智能体数量增加时是否能高效扩展，特别是在复杂且相互依赖的规划任务中？
• RQ5 在信息不完全的真实分布式领域中，该方法是否能超越集中式或松散耦合的规划方法？

主要发现

• MAP-POP成功解决了14个智能体的卫星问题的全部14个实例，以及14个智能体的火星车问题的全部14个实例，而Planning First在分别超过8个和9个智能体后无法求解。
• 在9个智能体的火星车问题中，Planning First耗时超过40分钟，而MAP-POP仅用20秒即完成求解，展现出显著的可扩展性优势。
• 在松散耦合问题中，MAP-POP在计划质量（动作数更少、持续时间更短）方面优于Planning First，尽管在最小规模实例上略慢。
• MAP-POP在智能体数量增加时保持了稳定的性能，执行时间仅略有增加，表明其具有强大的可扩展性。
• 该框架在性能和鲁棒性方面均优于Planning First，尤其在协调复杂度高的强耦合领域中表现更优。
• 结果证实，MAP-POP是一种通用、高效且可扩展的多智能体规划解决方案，适用于信息不完全的环境，既适用于松散耦合也适用于强耦合问题。