[论文解读] Applying Strategic Multiagent Planning to Real-World Travel Sharing Problems

Jan Hrnčíř, Michael Rovatsos|arXiv (Cornell University)|Jan 2, 2013

Multi-Agent Systems and Negotiation参考文献 16被引用 3

一句话总结

本文提出了一种三阶段多智能体规划算法，利用现成的单智能体规划器与最优响应规划，生成在现实公共交通网络中个体理性且成本效益高的共享行程路线。在英国公共交通数据上的评估表明，该方法在场景规模和智能体数量上均呈线性扩展，对于三人组可实现最高53%的成本降低，且时刻表可行性达到70%。

ABSTRACT

Travel sharing, i.e., the problem of finding parts of routes which can be shared by several travellers with different points of departure and destinations, is a complex multiagent problem that requires taking into account individual agents' preferences to come up with mutually acceptable joint plans. In this paper, we apply state-of-the-art planning techniques to real-world public transportation data to evaluate the feasibility of multiagent planning techniques in this domain. The potential application value of improving travel sharing technology has great application value due to its ability to reduce the environmental impact of travelling while providing benefits to travellers at the same time. We propose a three-phase algorithm that utilises performant single-agent planners to find individual plans in a simplified domain first, then merges them using a best-response planner which ensures resulting solutions are individually rational, and then maps the resulting plan onto the full temporal planning domain to schedule actual journeys. The evaluation of our algorithm on real-world, multi-modal public transportation data for the United Kingdom shows linear scalability both in the scenario size and in the number of agents, where trade-offs have to be made between total cost improvement, the percentage of feasible timetables identified for journeys, and the prolongation of these journeys. Our system constitutes the first implementation of strategic multiagent planning algorithms in large-scale domains and provides insights into the engineering process of translating general domain-independent multiagent planning algorithms to real-world applications.

研究动机与目标

• 为解决现实世界出行共享中的战略复杂性，其中智能体存在冲突偏好，且需要个体理性的联合计划。
• 评估将先进多智能体规划技术应用于大规模、真实公共交通数据的可行性。
• 设计并实现一种实用且可扩展的算法，确保在共享行程规划中具备稳定性（纳什均衡）和个体理性。
• 弥合理论多智能体规划与交通系统中实际部署之间的差距。

提出的方法

• 首先，在简化且抽象的领域中使用高性能、领域无关的单智能体规划器生成个体行程计划，该领域省略了详细时刻表。
• 其次，使用最优响应规划器（BRP）将个体计划合并为一个纳什均衡的联合多智能体计划，确保任一智能体无法通过单方面偏离来改善自身结果。
• 第三，将所得联合计划映射回完整的时序规划领域，以使用真实时刻表数据安排实际行程。
• 该算法在初始阶段和合并阶段使用领域无关的规划器，而时序安排阶段则使用领域特定的方法，以处理现实世界的连接性约束。
• 该方法设计具有可扩展性，可支持额外约束，如必须与特定个体共同出行或在目的地设置时间窗口。
• 建议在大规模部署中增加预处理聚类步骤，按出发地、目的地、出发时间及偏好对智能体进行分组，以提升可扩展性。

实验结果

研究问题

• RQ1 最先进的多智能体规划技术能否有效应用于大规模、真实世界的公共交通数据以实现出行共享？
• RQ2 在真实场景中，所提出的算法在智能体数量和场景规模增加时的可扩展性如何？
• RQ3 该算法在保持联合计划的个体理性和稳定性的同时，能在多大程度上实现成本降低和时刻表可行性？
• RQ4 在共享出行场景中，成本改善、时刻表可行性与行程延长之间存在何种权衡？

主要发现

• 该算法在场景规模和智能体数量上均表现出线性可扩展性，大型英国铁路网络场景下12名智能体的平均计算时间低于一小时。
• 在英国中部铁路网络场景中，三人组的可行时刻表寻找成功率可达70%，与单独出行相比，潜在成本节省最高达53%。
• 通过将联合规划分解为个体规划与最优响应合并，该方法避免了集中式多智能体规划器典型的动作空间指数级膨胀。
• 群体规模越大，成本节省越高，但可行性因联合计划与实际时刻表匹配难度增加而呈递减趋势。
• 由于简化处理，时序安排阶段在理论上不完整，但实证结果表明其在大多数情况下仍具有效性。
• 该方法可适配其他领域，初始阶段和BR阶段完全领域无关，而时序安排阶段需进行领域特定的调整。