[论文解读] CTS-PLL: A Robust and Anytime Framework for Collaborative Task Sequencing and Multi-Agent Path Finding

Junkai Jiang, Yitao Xu+3 more|arXiv (Cornell University)|Mar 26, 2026

Robotic Path Planning Algorithms被引用 0

一句话总结

CTS-PLL 在 CTS-PIBT 的基础上加入锁检测释放机制与 anytime 大邻域搜索 (LNS) 精化，在 CTS-MAPF（包括密集环境和真实机器人测试）中实现更高的成功率和更好的路径质量。

ABSTRACT

The Collaborative Task Sequencing and Multi-Agent Path Finding (CTS-MAPF) problem requires agents to accomplish sequences of tasks while avoiding collisions, posing significant challenges due to its combinatorial complexity. This work introduces CTS-PLL, a hierarchical framework that extends the configuration-based CTS-MAPF planning paradigm with two key enhancements: a lock agents detection and release mechanism leveraging a complete planning method for local re-planning, and an anytime refinement procedure based on Large Neighborhood Search (LNS). These additions ensure robustness in dense environments and enable continuous improvement of solution quality. Extensive evaluations across sparse and dense benchmarks demonstrate that CTS-PLL achieves higher success rates and solution quality compared with existing methods, while maintaining competitive runtime efficiency. Real-world robot experiments further demonstrate the feasibility of the approach in practice.

研究动机与目标

• 将 CTS-MAPF 作为在现实密集环境中进行任务排序与多智能体路径规划的具有挑战性的整合动机化。
• 通过在 CTS-PIBT 上增添锁检测/释放机制并使用完整局部 MAPF（LaCAM）来开发鲁棒的 CTS-MAPF 求解器。
• 引入 anytime 精化通过大邻域搜索逐步提升解的质量。
• 通过广泛的稀疑/密集基准测试和真实世界机器人实验展示鲁棒性与扩展性。

提出的方法

• 引入锁定代理检测与释放模块，识别停滞代理并使用完整局部 MAPF 求解器（LaCAM）进行恢复。
• 在 CTS-PIBT 上扩展一个 anytime 精化阶段，通过应用大邻域搜索在可行解找到后提高路径质量。
• 生成多组顶层联合任务序列并应用 Extended-PIBT 进行锁定恢复以获得可行规划，然后在预算内通过 LNS 进行精化。
• 在 LNS 中分类并利用三种邻域策略（随机、基于交叉点、随机游走）并采用自适应加权以最大化成本节约。
• 正式地，CTS-PLL 在时间限制内交替进行 top-K 联合排序、Extended-PIBT 规划、锁释放恢复和 LNS 精化。
• 锁释放仅针对停滞代理，对其配置进行扰动以摆脱死锁/活锁并重新启动全局规划。

实验结果

研究问题

• RQ1 锁检测与释放机制结合完整局部 MAPF 求解器是否能在密集环境中提升 CTS-MAPF 的鲁棒性？
• RQ2 anytime LNS 精化是否在 CTS-MAPF 中可靠地降低完成时间同时保持可行性？
• RQ3 在稀疏与密集设置中，CTS-PLL 与 CTS-CBS、CBSS、CTS-PIBT 的对比如何？
• RQ4 该方法在超越仿真、应用于真实世界机器人实验中是否可行？

主要发现

• CTS-PLL 在稀疏环境下实现 100% 的成功率，优于 CTS-CBS 与 CBSS。
• 锁检测与基于 LaCAM 的恢复在密集场景显著提升鲁棒性，成功率高于 CTS-PIBT。
• CTS-PLL-v3（含 LNS 的完整版）在密集配置中始终产生比 CTS-PIBT-anytime 更短的流动时间。
• LNS 精化在所测试的地图中对解的质量有可量化的提升，在密集迷宫中提升幅度最高达 17.49%。
• 物理机器人实验表明 CTS-PLL 能通过触发局部重新规划从活锁中恢复并成功完成任务。
• 在各基准测试中，CTS-PLL 保持具有竞争力的运行时间，同时提供鲁棒性并随时间逐步得到更优解。