[论文解读] A Feedback Scheme to Reorder a Multi-Agent Execution Schedule by Persistently Optimizing a Switchable Action Dependency Graph

Alexander Berndt, Niels Van Duijkeren+2 more|arXiv (Cornell University)|Oct 11, 2020

Robotic Path Planning Algorithms被引用 7

一句话总结

该论文提出了一种基于反馈的在线重排序方案，用于多智能体路径规划，采用可切换动作依赖图（SADG）在AGV延迟情况下最小化累计路线完成时间。通过持续优化AGV执行顺序，同时保持无死锁和无碰撞的保证，该方法在性能上优于基线ADG方法，即使在高延迟情况下，平均完成时间也最多可提升30%。

ABSTRACT

In this paper we consider multiple Automated Guided Vehicles (AGVs) navigating a common workspace to fulfill various intralogistics tasks, typically formulated as the Multi-Agent Path Finding (MAPF) problem. To keep plan execution deadlock-free, one approach is to construct an Action Dependency Graph (ADG) which encodes the ordering of AGVs as they proceed along their routes. Using this method, delayed AGVs occasionally require others to wait for them at intersections, thereby affecting the plan execution efficiency. If the workspace is shared by dynamic obstacles such as humans or third party robots, AGVs can experience large delays. A common mitigation approach is to re-solve the MAPF using the current, delayed AGV positions. However, solving the MAPF is time-consuming, making this approach inefficient, especially for large AGV teams. In this work, we present an online method to repeatedly modify a given acyclic ADG to minimize route completion times of each AGV. Our approach persistently maintains an acyclic ADG, necessary for deadlock-free plan execution. We evaluate the approach by considering simulations with random disturbances on the execution and show faster route completion times compared to the baseline ADG-based execution management approach.

研究动机与目标

• 解决AGV遭遇大而不可预测延迟时多智能体路径查找（MAPF）效率低下的问题。
• 开发一种在线、基于反馈的方法，通过不重新求解完整MAPF问题来重排AGV执行序列。
• 在最小化累计路线完成时间的同时，保持无死锁和无碰撞的执行。
• 实现实时适应动态延迟，而无需从一开始就依赖保守的鲁棒规划。
• 提供一种与现有MAPF解决方案互补的方法，同时保留原始轨迹。

提出的方法

• 该方法使用可切换动作依赖图（SADG）基于实时延迟测量建模并优化AGV执行顺序。
• 将重排序问题建模为混合整数线性规划（MILP），以最小化累计路线完成时间。
• SADG允许在保持无环性的前提下动态切换AGV依赖关系，从而确保无死锁执行。
• 反馈回路持续监控AGV位置，并在固定时间间隔内重新优化依赖图。
• 该方法假设已知AGV规划，并以递推时域方式运行，实现持续适应。
• 它利用原始MAPF解作为基线，避免完全重规划，从而实现实时性能。

实验结果

研究问题

• RQ1 在不重新求解完整MAPF问题的前提下，AGV执行序列的在线重排序是否能减少大延迟下的累计任务完成时间？
• RQ2 在动态延迟下，基于SADG的反馈方案与基线ADG执行管理相比，性能如何？
• RQ3 切换时域长度和AGV组大小对依赖关系重排序效果有何影响？
• RQ4 在何种条件下优化会导致性能下降，原因是什么？
• RQ5 该方法能否与现有MAPF解决方案集成，并扩展至持续或局部重规划的轨迹？

主要发现

• 在高延迟情况下（k=25），与基线ADG执行相比，所提方法在累计路线完成时间上实现了最高达30%的平均提升。
• 即使切换时域长度为1，也已实现显著性能增益，且随着时域增大，性能提升呈递增趋势，尤其在AGV团队规模较大时更为明显。
• 最优AGV组大小似乎在工作区密度与切换效用之间达到平衡，40台AGV在给定延迟下表现出最佳平均提升。
• 由于起始/目标配置差异导致的自由度不同，性能波动较大，影响依赖切换的灵活性。
• 在小延迟情况下偶尔观察到性能下降，主要原因是先前优先的AGV未来出现延迟，表明需要更稳健的优化机制。
• 该方法在实现无碰撞和无死锁执行的同时，支持实时适应，峰值计算时间随时域大小和团队规模呈指数级增长。