[论文解读] MAPFAST: A Deep Algorithm Selector for Multi Agent Path Finding using Shortest Path Embeddings

Jingyao Ren, Vikraman Sathiyanarayanan+3 more|arXiv (Cornell University)|Feb 24, 2021

Robotic Path Planning Algorithms参考文献 24被引用 12

一句话总结

MAPFAST 是一种基于深度学习的最优多智能体路径规划（MAPF）算法选择器，通过单智能体最短路径嵌入和多任务损失训练，优于其组合中的所有单一算法及当前最先进选择器。其卓越性能源于通过最短路径编码实例特征，并利用辅助损失函数提升在多样化 MAPF 实例上的泛化能力与选择准确性。

ABSTRACT

Solving the Multi-Agent Path Finding (MAPF) problem optimally is known to be NP-Hard for both make-span and total arrival time minimization. While many algorithms have been developed to solve MAPF problems, there is no dominating optimal MAPF algorithm that works well in all types of problems and no standard guidelines for when to use which algorithm. In this work, we develop the deep convolutional network MAPFAST (Multi-Agent Path Finding Algorithm SelecTor), which takes a MAPF problem instance and attempts to select the fastest algorithm to use from a portfolio of algorithms. We improve the performance of our model by including single-agent shortest paths in the instance embedding given to our model and by utilizing supplemental loss functions in addition to a classification loss. We evaluate our model on a large and diverse dataset of MAPF instances, showing that it outperforms all individual algorithms in its portfolio as well as the state-of-the-art optimal MAPF algorithm selector. We also provide an analysis of algorithm behavior in our dataset to gain a deeper understanding of optimal MAPF algorithms' strengths and weaknesses to help other researchers leverage different heuristics in algorithm designs.

研究动机与目标

• 为解决缺乏一种在所有实例类型下均高效的最优 MAPF 算法的问题，因为不同算法在各类实例上的表现差异显著。
• 开发一种自动化的、数据驱动的算法选择器，可动态为给定实例选择最快的最佳 MAPF 算法。
• 通过引入单智能体最短路径嵌入和多任务损失函数，超越标准分类损失，以提升模型性能。
• 揭示不同实例特征下各算法的优势与劣势，为未来 MAPF 算法设计提供指导。

提出的方法

• MAPFAST 采用带有 Inception 模块的深度卷积神经网络，处理 MAPF 实例嵌入。
• 通过引入一个独立于地图拓扑的单智能体最短路径路线张量，增强输入表示。
• 模型通过分类损失、完成损失和成对排序损失的组合进行训练，以提升鲁棒性与泛化能力。
• 算法组合包含多种最优求解器：CBS、CBSH、BCP 和 SAT，分别代表搜索、优化和可满足性驱动方法。
• 使用空间比（路径使用量相对于自由空间的比例）和智能体数量等实例特征，以指导模型学习并提升可解释性。
• 在大规模、多样化的 MAPF 实例数据集上评估模型，以确保在不同地图类型、智能体配置和路径长度下的泛化能力。

实验结果

研究问题

• RQ1 在多样化实例类型中，哪种 MAPF 算法表现最佳？路径长度和智能体密度等实例特征如何影响性能？
• RQ2 仅依靠单智能体最短路径嵌入是否足以提供有效算法选择器，而无需显式地图拓扑信息？
• RQ3 与仅使用标准分类损失相比，补充损失函数（完成损失、成对排序损失）如何提升基于深度学习的算法选择器性能？
• RQ4 哪些实例级特征与特定 MAPF 算法的性能相关？这些特征如何为未来算法设计提供指导？
• RQ5 在真实世界的 MAPF 场景中，学习得到的选择器能否超越单一算法及现有最先进选择器？

主要发现

• MAPFAST 在大规模、多样化的 MAPF 实例数据集上，优于其组合中的所有单一算法及最先进算法选择器。
• 引入单智能体最短路径嵌入显著提升了模型性能，即使未提供显式地图拓扑信息，也能仅基于路径结构实现准确选择。
• 补充损失函数（完成损失与成对排序损失）相较于仅使用分类损失的训练，带来了可测量的性能提升。
• CBS 在平均路径长度较短且 SpaceRatio 较低（路径使用率相对于自由空间较低）的实例上表现最佳，而 BCP 和 CBSH 在路径更长、SpaceRatio 更高的实例上表现更优。
• 热力图分析显示，CBS 对冲突数量敏感，而冲突数量与路径长度和密度相关；相比之下，BCP 和 CBSH 在多样化配置下表现出更一致的路径使用模式。
• 本研究识别出 SpaceRatio 和智能体数量为算法选择的关键区分特征，提示未来可设计基于这些指标动态切换策略的混合算法。