[论文解读] Multi-agent RRT*: Sampling-based Cooperative Pathfinding (Extended Abstract)

Michal Čáp, Peter Novák+2 more|arXiv (Cornell University)|Feb 12, 2013

Robotic Path Planning Algorithms参考文献 1被引用 6

一句话总结

该论文提出 MA-RRT*，一种基于采样的、支持任意时间（anytime）的多智能体系统协同路径规划算法，将 RRT* 框架扩展至多智能体的联合状态空间。在大规模稀疏环境中，其性能优于传统的基于 A* 的算法及最优任意时间算法，5 秒内成功率达到 77%，显著高于 OA（38%）和 JA（21%），同时保持接近最优的解质量。

ABSTRACT

Cooperative pathfinding is a problem of finding a set of non-conflicting trajectories for a number of mobile agents. Its applications include planning for teams of mobile robots, such as autonomous aircrafts, cars, or underwater vehicles. The state-of-the-art algorithms for cooperative pathfinding typically rely on some heuristic forward-search pathfinding technique, where A* is often the algorithm of choice. Here, we propose MA-RRT*, a novel algorithm for multi-agent path planning that builds upon a recently proposed asymptotically-optimal sampling-based algorithm for finding single-agent shortest path called RRT*. We experimentally evaluate the performance of the algorithm and show that the sampling-based approach offers better scalability than the classical forward-search approach in relatively large, but sparse environments, which are typical in real-world applications such as multi-aircraft collision avoidance.

研究动机与目标

• 解决传统前向搜索方法（如 A*）在多智能体系统协同路径规划中面临的可扩展性限制。
• 克服多智能体路径规划中联合状态空间分支因子指数级增长的问题。
• 开发一种基于采样的方法，在保持解质量的同时提升大规模稀疏环境下的性能。
• 将算法性能与解质量与当前最先进的最优算法和任意时间算法进行对比评估。
• 展示有信息采样在加速收敛至高质量解方面的优势。

提出的方法

• 将 RRT* 算法适配至多智能体的联合状态空间，将每个智能体的运动图视为复合状态空间的一部分。
• 当样本之间存在有效路径时，使用贪心启发式引导搜索连接联合状态空间中的样本。
• 应用 RRT* 的重布线机制，迭代优化路径代价并确保渐近最优性。
• 引入一种有信息采样变体（isMA-RRT*），通过偏向智能体个体最优路径附近的区域进行采样，以加速收敛。
• 将智能体运动表示为具有四向移动和 1 秒等待动作的图结构，障碍物在网格中随机移除。
• 采用联合状态空间表示，通过在所有时间步长下保持智能体间最小间距（0.8 单位）来强制实现碰撞避免。

实验结果

研究问题

• RQ1 基于采样的方法（如 RRT*）是否能在大规模稀疏多智能体路径规划环境中超越传统的基于 A* 的前向搜索？
• RQ2 在运行时间和解成功率达到方面，MA-RRT* 与最优任意时间算法（OA）和联合状态 A*（JA）相比表现如何？
• RQ3 有信息采样在多大程度上提升了 MA-RRT* 的收敛速度和解质量？
• RQ4 在大规模协同路径规划问题中，解质量与计算效率之间存在何种权衡？
• RQ5 基于采样的方法是否在显著提升可扩展性的同时，仍能保持接近最优的解质量，相较于启发式搜索方法？

主要发现

• MA-RRT* 在 5 秒运行时间限制内成功解决了 6,000 个测试实例中的 56%，优于 JA（21%）和 OA（38%）。
• 有信息采样变体 isMA-RRT* 达到了 77% 的成功率，显著优于其他所有算法，在可扩展性方面表现突出。
• 对于包含 2,438 个具有可证明最优解的实例子集，isMA-RRT* 返回的解平均次优性低于 5%，表明其解质量极高。
• 性能曲线显示，isMA-RRT* 在绝大多数问题实例中均比 OA 和 JA 更快找到首个解。
• 结果证实，在典型真实应用场景（如多架飞机避撞）中常见的大规模稀疏环境中，基于采样的方法（如 MA-RRT*）比前向搜索方法更具可扩展性。
• 该算法保持渐近最优性，并提供任意时间改进能力，即使在首次找到可行路径后仍持续优化解。