[論文レビュー] Improving LaCAM for Scalable Eventually Optimal Multi-Agent Pathfinding

Keisuke Okumura|arXiv (Cornell University)|May 5, 2023

Robotic Path Planning Algorithms被引用数 5

ひとこと要約

本稿では、スケーラブルなマルチエージェント経路計画（MAPF）のための、任意の時点で最適解に収束するLaCAM$^\ast}$という、LaCAMアルゴリズムのバージョンを紹介する。遅延付きの後続状態生成と anytime 検索フレームワークを統合し、PIBTに基づく設定生成を強化することで、LaCAM$^\ast}$は数秒以内に部分最適解を生成しながら、最終的に最適解に収束することを保証する。標準PC上では、最大1,000エージェントを含むベンチマークインスタンスの99％を10秒未塔で解ける。

ABSTRACT

This study extends the recently-developed LaCAM algorithm for multi-agent pathfinding (MAPF). LaCAM is a sub-optimal search-based algorithm that uses lazy successor generation to dramatically reduce the planning effort. We present two enhancements. First, we propose its anytime version, called LaCAM*, which eventually converges to optima, provided that solution costs are accumulated transition costs. Second, we improve the successor generation to quickly obtain initial solutions. Exhaustive experiments demonstrate their utility. For instance, LaCAM* sub-optimally solved 99% of the instances retrieved from the MAPF benchmark, where the number of agents varied up to a thousand, within ten seconds on a standard desktop PC, while ensuring eventual convergence to optima; developing a new horizon of MAPF algorithms.

研究の動機と目的

• マルチエージェント経路計画（MAPF）における解の品質、速度、スケーラビリティのトレードオフを解消すること。
• 部分最適でスケーラブルな検索ベースのMAPFアルゴリズムに、最終的に最適解に収束する性質を付与すること。
• 改善された後続状態生成により、初期解の品質と計画効率を向上させること。
• 先行アルゴリズムが失敗する大規模かつ高密度なMAPFインスタンスにおいても高い性能を発揮すること。

提案手法

• LaCAMを anytime アルゴリズムに拡張し、LaCAM$^\ast}$として、時間の経過に従って解の品質を段階的に向上させる。
• 衝突チェックを必要に応じて遅延して行う「遅延付き後続状態生成」メカニズムを導入し、計画のオーバーヘッドを削減する。
• PIBT（時間付き優先順位反復最良優先探索）アルゴリズムを強化し、より高品質な初期設定を生成する。
• 遷移コストを用いる場合に最適解への収束を保証するため、コスト蓄積メカニズムを統合する。
• スワップ操作を組み込んだ設定生成器を用い、初期経路の品質を向上させる。
• 完全性を保ちつつ最適経路へ向かうように探索を誘導するヒューリスティック関数を備えた、A$^\ast}$に類似した探索フレームワークを適用する。

実験結果

リサーチクエスチョン

• RQ1 部分最適でスケーラブルなMAPFアルゴリズムを、性能を犠牲にせずに最終的に最適解に収束させることは可能か？
• RQ2 大規模なMAPF問題において、より良い初期解を得るために後続状態生成をどのように改善できるか？
• RQ3 LaCAM$^\ast}$は、既存の anytime および有界部分最適なMAPFアルゴリズムに比べ、大規模かつ高密度なインスタンスでどの程度優れているか？
• RQ4 遅延制約追加と anytime の改善を組み合わせることで、実用的環境で速度と最適性の両立が達成できるか？

主な発見

• LaCAM$^\ast}$は、最大1,000エージェントを含む13,900件のベンチマークMAPFインスタンスの99％を、標準デスクトップPC上で10秒未塔に解けた。
• アルゴリズムは最終的に最適解に収束し、50エージェントインスタンスでは、1秒時点の初期平均損失159が30秒時点で118にまで低下した。
• 極めて高密度な状況（エージェント対頂点比90％）において、maz-128-128-10マップ上での9,772件のインスタンスを100％解き、初期解生成の中央値時間は55.54秒であった。
• random-32-32-20マップ上での150エージェントインスタンスでは、LaCAM$^\ast}$は全25件を60秒未塔に解いたが、AFSは全件失敗し、スケーラビリティに優れたことが示された。
• PIBTに基づく生成器の改善により、初期解の品質が著しく向上し、50エージェントインスタンスでは、ベースラインのAFSと比較して初期損失が88から1にまで低下した。
• 大規模かつ高密度なマップにおいて、CBS や EECBS といった最先端のアルゴリズムに比べ、LaCAM$^\ast}$はスケーラビリティと解の品質の両面で優れていた。