[论文解读] Improving LaCAM for Scalable Eventually Optimal Multi-Agent Pathfinding

Keisuke Okumura|arXiv (Cornell University)|May 5, 2023

Robotic Path Planning Algorithms被引用 5

一句话总结

该论文提出了 LaCAM$^\ast}$，一种适用于可扩展多智能体路径规划（MAPF）的任意时间、最终最优变体算法。通过将惰性后继生成机制与任意时间搜索框架相结合，并增强基于PIBT的配置生成器，LaCAM$^\ast}$ 在数秒内即可获得次优解，同时保证最终收敛至最优解——在标准PC上，10秒内解决了高达1,000个智能体的99%基准实例。

ABSTRACT

This study extends the recently-developed LaCAM algorithm for multi-agent pathfinding (MAPF). LaCAM is a sub-optimal search-based algorithm that uses lazy successor generation to dramatically reduce the planning effort. We present two enhancements. First, we propose its anytime version, called LaCAM*, which eventually converges to optima, provided that solution costs are accumulated transition costs. Second, we improve the successor generation to quickly obtain initial solutions. Exhaustive experiments demonstrate their utility. For instance, LaCAM* sub-optimally solved 99% of the instances retrieved from the MAPF benchmark, where the number of agents varied up to a thousand, within ten seconds on a standard desktop PC, while ensuring eventual convergence to optima; developing a new horizon of MAPF algorithms.

研究动机与目标

• 解决多智能体路径规划（MAPF）中解的质量、速度与可扩展性之间的权衡问题。
• 在次优、可扩展的基于搜索的MAPF算法中实现最终最优性。
• 通过改进后继生成机制，提升初始解质量与规划效率。
• 在先前算法失效的大规模、高密度MAPF实例中实现高性能表现。

提出的方法

• 将LaCAM扩展为一种任意时间算法LaCAM$^\ast}$，使其随时间推移逐步提升解的质量。
• 引入一种惰性后继生成机制，仅在必要时才执行碰撞检测，从而降低规划开销。
• 增强PIBT（带时间的优先级迭代最佳优先搜索）算法，以生成更高质量的初始配置。
• 集成一种成本累积机制，当使用转移成本时，可确保最终收敛至最优解。
• 采用一种融合交换操作的配置生成器，以提升初始路径质量。
• 应用类似A$^*$的搜索框架，结合启发式函数，引导搜索朝向最优路径，同时保持完备性。

实验结果

研究问题

• RQ1 能否在不牺牲性能的前提下，使一个次优、可扩展的MAPF算法实现最终最优性？
• RQ2 如何改进后继生成机制，以在大规模MAPF问题中获得更优的初始解？
• RQ3 LaCAM$^\ast}$在大规模、高密度实例上相较于现有任意时间与有界次优MAPF算法的性能优势有多大？
• RQ4 惰性约束添加与任意时间优化相结合，是否能在实际场景中同时实现速度与最优性？

主要发现

• LaCAM$^\ast}$ 在标准台式PC上，10秒内解决了13,900个基准MAPF实例中的99%（最多含1,000个智能体）。
• 该算法实现了最终收敛至最优解，通过持续优化，50个智能体实例的总损失从初始平均值159（1秒时）降低至118（30秒时）。
• 在极端密集场景（智能体与顶点比例达90%）下，LaCAM$^\ast}$ 在maze-128-128-10地图上成功解决了全部9,772个实例，初始解生成的中位时间仅为55.54秒。
• 在random-32-32-20地图上处理150个智能体时，LaCAM$^\ast}$ 在60秒内成功解决全部25个实例，而AFS全部失败，展现出显著的可扩展性优势。
• 改进后的基于PIBT的配置生成器显著提升了初始解质量，与基线AFS相比，50个智能体实例的初始损失从88降低至1。
• 在大规模、高密度地图上，LaCAM$^\ast}$ 在可扩展性与解质量方面均优于当前最先进的算法（如CBS与EECBS）。