[论文解读] AI Buzzwords Explained: Multi-Agent Path Finding (MAPF)

Hang Ma, Sven Koenig|arXiv (Cornell University)|Oct 10, 2017

Robotic Path Planning Algorithms参考文献 16被引用 3

一句话总结

本文將多智能體路徑規劃（MAPF）視為機器人與人工智慧領域的關鍵挑戰，專注於在倉儲等封閉空間中協調多台機器人，使其在不發生碰撞的情況下抵達目標。論文介紹了當代先進的演算法，透過次維度擴展與衝突基礎搜尋等技術，有效解決MAPF問題，並提供具有有界次優解的可擴展性與完整性保證。

ABSTRACT

Explanation of the hot topic "multi-agent path finding".

研究动机与目标

• 解決在倉儲等空間受限環境中協調多台自主機器人的挑戰，需避免碰撞。
• 將MAPF問題形式化為離散時間路徑規劃任務，目標是最小化完工時間（所有機器人抵達目標的時間）。
• 發展高效演算法，找出NP-hard MAPF問題的有界次優解，確保可擴展性與完整性。
• 探討不同目標（例如完成時間總和）與限制（例如機器人能力、貨物交接）的MAPF變體。
• 全面概述MAPF在理論複雜度、演算法方法與實際應用方面的內容，涵蓋如Amazon Robotics等現實世界系統。

提出的方法

• 將MAPF建模為狀態空間上的最短路徑問題，其中每個狀態為機器人位置的組合，但此方法導致狀態空間呈指數級增長。
• 使用衝突基礎搜尋（CBS）遞迴解決衝突，透過施加約束（例如禁止某台機器人於特定時刻移動至衝突位置）來處理。
• 應用次維度擴展（SSE）技術，透過將問題分解為低維度子問題來縮小搜尋空間，提升效率。
• 實作有界次優演算法，確保完工時間在最佳解的指定百分比範圍內，平衡效能與計算成本。
• 利用基於流的演算法處理MAPF的鬆弛版本，其中目標位置在路徑規劃後才分配給機器人，進而實現多項式時間解法。
• 結合獨立的單機器人路徑規劃與衝突化解決啟發式方法，使系統在實際應用中可擴展至大量機器人。

实验结果

研究问题

• RQ1 尋找MAPF問題最佳解的計算複雜度為何？在何種條件下可於多項式時間內求解？
• RQ2 如何有效利用衝突基礎搜尋（CBS）來尋找MAPF的有界次優解，同時維持完整性與可擴展性？
• RQ3 在哪些情境下，次維度擴展（SSE）在執行時間與記憶體使用上優於傳統搜尋方法？
• RQ4 不同最佳化目標（例如完工時間 vs. 完成時間總和）如何影響MAPF演算法的設計與效能？
• RQ5 MAPF演算法在現實機器人系統（如Amazon倉儲自動化）中的實際影響為何？

主要发现

• MAPF問題的最佳解為NP-hard，使得大規模實例的精確解在計算上不可行。
• 衝突基礎搜尋（CBS）透過遞迴解決衝突，能發現有界次優解，且隨著約束逐步增加，性能持續提升。
• 次維度擴展（SSE）顯著縮小搜尋空間，提升執行效率，適用於大規模多機器人路徑規劃。
• MAPF的鬆弛版本（目標位置於路徑規劃後才分配）可利用網路流演算法在多項式時間內求解。
• 如MAPP與SSE等演算法同時具備可 tractability（可處理性）與完整性保證，使其實際部署於現實世界機器人系統中具備可擴展性。
• 實驗結果顯示，當代先進的MAPF演算法可在倉儲類環境中協調數百台機器人，實現極低的完工時間與碰撞率。