[论文解读] Bidirectional Temporal Plan Graph: Enabling Switchable Passing Orders for More Efficient Multi-Agent Path Finding Plan Execution

Yifan Su, Rishi Veerapaneni+1 more|arXiv (Cornell University)|Dec 30, 2023

Robotic Path Planning Algorithms被引用 4

一句话总结

本文提出双向时间计划图（BTPG），一种新型图形表示方法，可在多智能体路径规划执行过程中动态切换共享位置的智能体通行顺序。通过在出现延迟时允许‘先到先服务’通行，BTPG相较于传统时间计划图（TPG）将不必要的等待时间减少了8–20%。本文还提出了两种 anytime 算法——BTPG-naïve 与 BTPG-optimized，可在执行不确定性条件下高效构建无碰撞、无死锁的路径规划方案。

ABSTRACT

The Multi-Agent Path Finding (MAPF) problem involves planning collision-free paths for multiple agents in a shared environment. The majority of MAPF solvers rely on the assumption that an agent can arrive at a specific location at a specific timestep. However, real-world execution uncertainties can cause agents to deviate from this assumption, leading to collisions and deadlocks. Prior research solves this problem by having agents follow a Temporal Plan Graph (TPG), enforcing a consistent passing order at every location as defined in the MAPF plan. However, we show that TPGs are overly strict because, in some circumstances, satisfying the passing order requires agents to wait unnecessarily, leading to longer execution time. To overcome this issue, we introduce a new graphical representation called a Bidirectional Temporal Plan Graph (BTPG), which allows switching passing orders during execution to avoid unnecessary waiting time. We design two anytime algorithms for constructing a BTPG: BTPG-naïve and BTPG-optimized. Experimental results show that following BTPGs consistently outperforms following TPGs, reducing unnecessary waits by 8-20%.

研究动机与目标

• 为解决传统时间计划图（TPG）在多智能体路径规划中因固定通行顺序导致的低效问题，该问题在执行延迟时会引发不必要的等待。
• 在执行过程中实现共享位置通行顺序的动态切换，提升路径规划的鲁棒性并减少总执行时间。
• 设计一种新型图形表示——双向时间计划图（BTPG），以捕捉可切换依赖关系，同时确保无碰撞和无死锁的执行。
• 设计 anytime 算法（BTPG-naïve 与 BTPG-optimized），在时间约束下高效构建 BTPG。
• 通过实证验证，BTPG 执行方案在真实延迟条件下相比 TPG 执行方案，能显著减少等待时间并提升执行效率。

提出的方法

• 将双向时间计划图（BTPG）作为时间计划图（TPG）的扩展，引入双向边以表示共享位置处可切换的通行顺序。
• 提出‘双向对’的概念——即 TPG 中可相互反转的类型2边对，可在执行过程中反转以减少等待时间。
• 设计两种 anytime 算法：BTPG-naïve 通过深度优先搜索遍历单个类型2边，识别潜在的双向对；BTPG-optimized 采用更高效的深度优先搜索并结合剪枝策略，在时间预算内探索更多对。
• 定义充分条件，确保在执行过程中切换通行顺序时，BTPG 仍能被证明为无碰撞且无死锁。
• 使用 MAPF-DP 模型模拟执行不确定性，其中每个非延迟时间步有 30% 的概率发生延迟，并在该现实场景下评估性能。
• 采用仿真框架，每组实例运行 10 个随机种子，共进行 3,900 次仿真，比较 BTPG 与 TPG 在不同地图和智能体数量下的执行性能。

((a)) Scenario 1.

实验结果

研究问题

• RQ1 在何种条件下，切换共享位置处智能体的通行顺序可减少不必要的等待，同时不引发碰撞或死锁？
• RQ2 如何设计一种图形表示方法，以捕捉 MAPF 规划中可切换依赖关系，同时保持安全保证？
• RQ3 在智能体延迟条件下，anytime 算法能在多大程度上构建 BTPG，以实现通行顺序的动态切换，从而提升执行效率？
• RQ4 与基于 TPG 的执行相比，基于 BTPG 的执行在总执行时间与等待时间减少方面表现如何？
• RQ5 在 BTPG 构建过程中，算法运行时间与发现的双向对数量之间存在何种权衡？

主要发现

• 基于 BTPG 的执行在所有测试地图和智能体数量下，始终优于基于 TPG 的执行，将不必要的等待时间减少了 8–20%。
• 在全部 3,900 次仿真中，BTPG 对 TPG 的改进均为非负，其中 41.9% 的实例改进幅度为 10–20%，31.2% 的实例改进超过 20%。
• BTPG-optimized 在发现的双向对数量和执行时间改进方面均优于 BTPG-naïve，尤其在时间约束下优势更明显。
• 仅约 10% 的双向对在执行中被使用，但这些被使用的对贡献了绝大部分性能提升，表明每对的效率极高。
• BTPG-optimized 算法相比 BTPG-naïve 实现了更优的 anytime 性能，通过更有效的 DFS 剪枝，在相同时间预算内发现更多双向对。
• BTPG-optimized 的运行时间高于 BTPG-naïve，但这是由于其探索了更多对而非效率低下，且由此带来的性能增益足以证明额外开销的合理性。

((b)) Scenario 2.