[论文解读] On the hardness of unlabeled multi-robot motion planning

Kiril Solovey, Dan Halperin|arXiv (Cornell University)|Aug 10, 2014

Robotic Path Planning Algorithms参考文献 18被引用 14

一句话总结

本文证明了在多边形障碍物中，针对单位正方形机器人的无标签多机器人路径规划问题是 PSPACE-难的，这是首个针对无标签情况的此类难题结果。作者通过从已知的 PSPACE-难问题（包括非确定性约束逻辑，NCL）模型进行归约，证明了四种变体的难解性：多对多、多对单、多对单-受限以及单对单，其结果也适用于有标签情况。

ABSTRACT

In unlabeled multi-robot motion planning several interchangeable robots operate in a common workspace. The goal is to move the robots to a set of target positions such that each position will be occupied by some robot. In this paper, we study this problem for the specific case of unit-square robots moving amidst polygonal obstacles and show that it is PSPACE-hard. We also consider three additional variants of this problem and show that they are all PSPACE-hard as well. To the best of our knowledge, this is the first hardness proof for the unlabeled case. Furthermore, our proofs can be used to show that the labeled variant (where each robot is assigned with a specific target position), again, for unit-square robots, is PSPACE-hard as well, which sets another precedence, as previous hardness results require the robots to be of different shapes.

研究动机与目标

• 确立无标签多机器人路径规划的计算复杂度，其中机器人不可区分，仅目标位置的占用情况重要。
• 研究尽管缺乏机器人身份信息，无标签规划是否仍保持计算困难，与有标签情况（机器人可区分）形成对比。
• 将难解性结果扩展至多种无标签规划变体，包括多对单和单对单配置。
• 证明对于单位正方形机器人，有标签变体同样为 PSPACE-难，即使不要求机器人具有不同形状。

提出的方法

• 从非确定性约束逻辑（NCL）模型归约，该模型是证明路径规划中 PSPACE-难性的已知框架。
• 在基于图的结构（H）中构建配置空间，使用边和顶点机器人来模拟 NCL 逻辑门。
• 使用“与”逻辑模块来建模机器人移动之间的逻辑依赖关系，确保同时移动可被顺序模拟。
• 证明多配置等价性蕴含边方向等价性，从而实现从全对全问题到多对多问题的归约。
• 对归约方法进行适配，以处理单机器人及受限移动约束，证明多对单和单对单变体的难解性。
• 利用引理 11 表明，在有标签情况下，每个机器人的起始和目标配置均被唯一确定，从而可将难解性证明扩展至有标签单位正方形机器人。

实验结果

研究问题

• RQ1 无标签多机器人路径规划（单位正方形机器人）是否即使在机器人不可区分的情况下仍为 PSPACE-难？
• RQ2 是否可在不依赖机器人形状或大小差异的前提下，确立有标签问题的难解性？
• RQ3 在无标签设置下，多对单或单对单等变体是否仍为 PSPACE-难？
• RQ4 是否可将 NCL 模型的归约方法适配，以证明具有几何约束的无标签机器人配置的难解性？
• RQ5 当机器人必须移动至特定目标位置时（即使机器人完全相同），无标签规划的计算复杂度如何？

主要发现

• 在多边形障碍物中，针对单位正方形机器人的无标签多机器人路径规划问题是 PSPACE-难的，这是首个针对无标签情况的此类难题结果。
• 多对多变体通过从全对全问题的归约被证明为 PSPACE-难，利用了配置等价性和边方向推理。
• 多对单和多对单-受限变体同样为 PSPACE-难，其归约基于底层图结构中的边反转。
• 单对单变体为 PSPACE-难，通过与多对多情况类似的归约方法证明。
• 相同的归约框架表明，单位正方形机器人有标签多机器人路径规划的变体同样为 PSPACE-难，即使不依赖形状多样性。
• 该证明依赖于引理 11，其确保在目标配置中，每个机器人的起始和目标配置均被唯一确定，从而支持有标签情况的扩展。