[论文解读] Traffic Flow Optimisation for Lifelong Multi-Agent Path Finding

Zhe Chen, Daniel Harabor+2 more|arXiv (Cornell University)|Aug 22, 2023

Robotic Path Planning Algorithms被引用 4

一句话总结

本文提出了一种拥堵感知的引导路径用于多智能体路径规划（MAPF），通过将交通流原理整合到PIBT和LaCAM*规划器中，提升了单次求解与长期运行MAPF的性能。通过使用聚焦搜索（Focal Search）计算与时间无关、避免拥堵的路径作为启发式信息，该方法在单次求解MAPF中实现了更高的解质量，在长期运行MAPF中显著提升了吞吐量，且可扩展至10,000+个智能体，响应时间低于1秒。

ABSTRACT

Multi-Agent Path Finding (MAPF) is a fundamental problem in robotics that asks us to compute collision-free paths for a team of agents, all moving across a shared map. Although many works appear on this topic, all current algorithms struggle as the number of agents grows. The principal reason is that existing approaches typically plan free-flow optimal paths, which creates congestion. To tackle this issue, we propose a new approach for MAPF where agents are guided to their destination by following congestion-avoiding paths. We evaluate the idea in two large-scale settings: one-shot MAPF, where each agent has a single destination, and lifelong MAPF, where agents are continuously assigned new destinations. Empirically, we report large improvements in solution quality for one-short MAPF and in overall throughput for lifelong MAPF.

研究动机与目标

• 解决现有MAPF算法在高智能体密度下可扩展性与解质量的局限性。
• 通过用拥堵感知路径规划替代短视的自由流启发式方法，减少大规模MAPF中的拥堵。
• 在保持低响应时间以支持实时部署的前提下，提升长期运行MAPF的吞吐量。
• 通过使用优化的、考虑交通状况的引导路径引导搜索，提升单次求解MAPF的解质量。
• 将交通科学中的交通分配原理整合到多智能体路径规划中，以提升可扩展性与性能。

提出的方法

• 提出与时间无关的引导路径，基于路径上预期的智能体密度估算拥堵成本。
• 使用带有次优性边界（suboptimality bound）的聚焦搜索，以平衡绕行距离与拥堵避免。
• 将计算出的引导路径作为增强启发式信息，集成到PIBT和LaCAM*规划器中以引导路径搜索。
• 采用类似大邻域搜索（LNS）的迭代优化方式，逐步提升解质量。
• 采用两阶段方法：前30秒用于引导路径计算与优化，后30秒用于最终解的搜索。
• 使用顶点与边的拥堵成本来建模交通延迟，灵感来源于交通分配问题（TAP）中的用户均衡（User Equilibrium）原理。

实验结果

研究问题

• RQ1 与标准启发式方法相比，拥堵感知引导路径是否能显著提升单次求解MAPF的解质量？
• RQ2 基于PIBT的规划器是否能通过使用避免拥堵的启发式路径而非自由流路径，实现更高的长期运行MAPF吞吐量？
• RQ3 引导路径计算时间与最终解质量之间的权衡，如何影响大规模MAPF的可扩展性？
• RQ4 TAP中的交通流原理在多大程度上可有效迁移至MAPF，以减少拥堵并提升性能？
• RQ5 在动态、连续任务分配场景中，使用考虑未来智能体密度的引导路径，是否能带来更高的整体系统吞吐量？

主要发现

• 在单次求解MAPF中，使用F1.2（w=1.2）的Guided LaCAM*在2000个智能体的Warehouse地图上实现了0.982的相对SIC，优于标准LaCAM*。
• 在8000个智能体的Warehouse地图上，Guided LaCAM*相比基线LaCAM*将SIC降低了14.8%，达到0.852的相对成本。
• 在长期运行MAPF中，所提方法在10,000个智能体的Warehouse地图上实现了每秒31.1个任务完成的吞吐量，优于PIBT与LNS。
• 即使在10,000个智能体的规模下，该方法仍保持了亚秒级响应时间，Warehouse地图上的平均响应时间为0.023秒。
• 在Game地图上，8000个智能体下实现了每秒6个任务完成，响应时间为0.001秒，展现出极高的效率。
• 使用引导路径显著减少了碰撞数量并提升了路径质量，尤其在自由流启发式失效的高密度环境中表现更优。