[论文解读] CTRMs: Learning to Construct Cooperative Timed Roadmaps for Multi-agent Path Planning in Continuous Spaces

Keisuke Okumura, Ryo Yonetani+2 more|arXiv (Cornell University)|Jan 24, 2022

Robotic Path Planning Algorithms被引用 4

一句话总结

本文提出协作式定时路网（CTRMs），一种数据驱动的方法，通过学习构建针对各智能体的、防碰撞的、时间增强的路网，用于连续空间中的多智能体路径规划。通过在MAPP演示数据集上训练条件变分自编码器，CTRMs实现了比基线方法显著减少搜索量的高效、高质量规划。

ABSTRACT

Multi-agent path planning (MAPP) in continuous spaces is a challenging problem with significant practical importance. One promising approach is to first construct graphs approximating the spaces, called roadmaps, and then apply multi-agent pathfinding (MAPF) algorithms to derive a set of conflict-free paths. While conventional studies have utilized roadmap construction methods developed for single-agent planning, it remains largely unexplored how we can construct roadmaps that work effectively for multiple agents. To this end, we propose a novel concept of roadmaps called cooperative timed roadmaps (CTRMs). CTRMs enable each agent to focus on its important locations around potential solution paths in a way that considers the behavior of other agents to avoid inter-agent collisions (i.e., "cooperative"), while being augmented in the time direction to make it easy to derive a "timed" solution path. To construct CTRMs, we developed a machine-learning approach that learns a generative model from a collection of relevant problem instances and plausible solutions and then uses the learned model to sample the vertices of CTRMs for new, previously unseen problem instances. Our empirical evaluation revealed that the use of CTRMs significantly reduced the planning effort with acceptable overheads while maintaining a success rate and solution quality comparable to conventional roadmap construction approaches.

研究动机与目标

• 为解决在连续空间中高效进行多智能体路径规划（MAPP）的挑战，其中传统路网方法未针对多智能体进行优化。
• 通过构建稀疏但有效的路网，减少MAPF算法的搜索空间，以捕捉合理的解路径。
• 通过在路网构建中引入智能体间协作与时间感知，提升规划效率与解的质量。
• 开发一种可泛化的基于学习的方法，可适用于不同数量智能体与障碍物配置的多样化场景。

提出的方法

• 在MAPP问题实例及其对应无冲突解路径的数据集上训练条件变分自编码器（CVAE），以建模智能体随时间的行为。
• 训练好的CVAE作为顶点采样器 $F_{\rm CTRM}$，为新出现的、未见过的问题实例生成时空顶点，以构建各智能体专用的CTRMs。
• CTRMs是有向无环图，编码空间位置与时间步，支持减少智能体间碰撞风险的定时路径规划。
• 该方法整合通信特征 $\mathbf{x}_{\rm comm}$ 与指示特征 $\mathbf{x}_{\rm ind}$，以提升智能体协调性与采样准确性。
• 在CTRMs构建过程中采用随机游走策略，以探索多样化的路径候选，同时保持高成功率。
• 最终生成的CTRMs被用作标准MAPF求解器的输入，实现快速且高效的无冲突路径计算。

实验结果

研究问题

• RQ1 如何构建路网，以在最小化搜索量的前提下，有效支持连续空间中的多智能体路径规划？
• RQ2 在多智能体系统中，实现高成功率与高质量解的路网构建，其关键特征是什么？
• RQ3 与随机或均匀采样相比，学习到的生成模型在多智能体路径规划（MAPP）的路网方法中，能在多大程度上提升效率与效果？
• RQ4 通信特征与指示特征在CTRMs构建中对学习采样模型性能有何影响？
• RQ5 一个单一训练好的模型能否在不同智能体数量与障碍物布局的场景中实现泛化？

主要发现

• 在 $N_{\rm traj} = 25$ 的Basic场景中，CTRMs的成功率达到80%，显著优于缺少通信特征（23%）或随机游走（3%）的变体。
• 每位智能体的总成本为21.2（95%置信区间：20.3–22.0），即使考虑采样量减少，仍与基线方法相当或更优。
• 平均展开节点数减少至612.4，相比基线有显著改善，表明搜索空间大幅缩小。
• 总规划时间（包括CTRMs构建开销）保持实际且具有竞争力，解决方案在CTRMs创建后立即生成。
• 该模型展现出泛化能力：在某一场景上训练的单一模型，成功解决了其他具有不同智能体数量与障碍物布局的场景中的问题。
• 消融实验确认，所有组件——通信特征、指示特征与随机游走——对高性能至关重要，其缺失将导致成功率与解质量急剧下降。