[论文解读] LaCAM: Search-Based Algorithm for Quick Multi-Agent Pathfinding

Keisuke Okumura|arXiv (Cornell University)|Nov 24, 2022

Robotic Path Planning Algorithms被引用 4

一句话总结

LaCAM 是一种新颖、完整且高效的基于搜索的多智能体路径规划（MAPF）算法，采用两级搜索机制：高层配置搜索结合来自低层单智能体路径规划的惰性约束生成。该算法在大规模密集网格上处理多达 10,000 个智能体时，仍能实现亚秒级规划时间，其在速度、成功率和解质量方面均优于当前最先进的次优求解器。

ABSTRACT

We propose a novel complete algorithm for multi-agent pathfinding (MAPF) called lazy constraints addition search for MAPF (LaCAM). MAPF is a problem of finding collision-free paths for multiple agents on graphs and is the foundation of multi-robot coordination. LaCAM uses a two-level search to find solutions quickly, even with hundreds of agents or more. At the low-level, it searches constraints about agents' locations. At the high-level, it searches a sequence of all agents' locations, following the constraints specified by the low-level. Our exhaustive experiments reveal that LaCAM is comparable to or outperforms state-of-the-art sub-optimal MAPF algorithms in a variety of scenarios, regarding success rate, planning time, and solution quality of sum-of-costs.

研究动机与目标

• 开发一种快速、完整且可扩展的多智能体路径规划（MAPF）算法，实现实时处理数百至数千个智能体。
• 解决大规模 MAPF 应用中解质量与规划速度之间的权衡问题，特别是在最优算法过于缓慢的情况下。
• 实现在高智能体数量与障碍物密度下，如自动化仓库等复杂密集环境中的高效规划。
• 设计一种模块化、可扩展的框架，可集成现代单智能体规划器用于配置生成。
• 证明在低层采用惰性约束添加可显著减少搜索开销，同时保持解的完备性。

提出的方法

• LaCAM 采用两级搜索机制：高层对智能体配置的探索与低层对智能体特定移动约束的搜索。
• 在高层，每个节点代表一个完整配置（某一时间步所有智能体的位置），其后继节点通过低层提供的约束惰性生成。
• 低层执行单智能体路径规划，以确定下一配置中哪个智能体将移动到何处，生成正向约束（例如：'智能体 i 移动到顶点 v'）。
• 约束仅在需要时逐步添加，相比完整配置枚举，显著降低了分支因子与搜索空间。
• 该算法使用 A* 算法，其启发式函数基于总代价之和，并可集成外部规划器（如 PIBT）作为配置生成器。
• 通过系统性地探索配置并利用约束添加解决冲突，保持了完备性，其约束方向与 CBS 类似但相反（正向约束 vs. 负向约束）。

实验结果

研究问题

• RQ1 两级搜索结合惰性约束添加是否能在大规模 MAPF 中同时实现完备性与高效率？
• RQ2 LaCAM 在规划时间、成功率和解质量方面与当前最先进的次优 MAPF 算法相比表现如何？
• RQ3 LaCAM 是否能在大规模密集网格上实现 10,000 个智能体的实时规划？
• RQ4 在搜索效率方面，使用正向约束（谁去哪）与负向约束（谁不能去哪）有何影响？
• RQ5 通过在高层配置中采用惰性、增量式后继生成，分支因子可降低到何种程度？

主要发现

• 在 32×32 网格（障碍物占比 20%）的 MAPF 基准测试中，LaCAM 以中位数 1 秒时间解决了全部 400 个智能体实例，优于基线次优算法，后者在 30 秒超时内失败。
• 在大型 1491×656 四连通网格上，LaCAM 在数十秒内成功解决了最多达 10,000 个智能体的实例，展现出强大的可扩展性。
• 在高智能体密度与高空间利用率的密集场景中，LaCAM 保持了高成功率与低规划时间，而其他求解器常出现失败或超时。
• 低层使用正向约束相比负向约束方法，显著缩小了搜索空间，从而加快收敛速度。
• LaCAM 的惰性后继生成有效抑制了实际分支因子，即使在智能体数量庞大时也能实现快速收敛。
• 该算法在总代价之和（SOC）方面达到具有竞争力的水平，表明尽管为次优解，仍具备高解质量，并在多种地图类型与智能体密度下表现出强鲁棒性。