[论文解读] Optimal Target Assignment and Path Finding for Teams of Agents

Hang Ma, Sven Koenig|arXiv (Cornell University)|May 9, 2016

Robotic Path Planning Algorithms参考文献 25被引用 95

一句话总结

本文提出CBM，一种分层算法，通过在时间展开网络上结合最小费用最大流算法进行团队内规划，以及基于冲突的搜索算法进行团队间碰撞解决，从而最优求解大规模团队的靶点分配与路径规划（TAPF）问题。CBM在包含数百名智能体和数十支团队的大规模场景中确保了最优完成时间（makespan）。

ABSTRACT

We study the TAPF (combined target-assignment and path-finding) problem for teams of agents in known terrain, which generalizes both the anonymous and non-anonymous multi-agent path-finding problems. Each of the teams is given the same number of targets as there are agents in the team. Each agent has to move to exactly one target given to its team such that all targets are visited. The TAPF problem is to first assign agents to targets and then plan collision-free paths for the agents to their targets in a way such that the makespan is minimized. We present the CBM (Conflict-Based Min-Cost-Flow) algorithm, a hierarchical algorithm that solves TAPF instances optimally by combining ideas from anonymous and non-anonymous multi-agent path-finding algorithms. On the low level, CBM uses a min-cost max-flow algorithm on a time-expanded network to assign all agents in a single team to targets and plan their paths. On the high level, CBM uses conflict-based search to resolve collisions among agents in different teams. Theoretically, we prove that CBM is correct, complete and optimal. Experimentally, we show the scalability of CBM to TAPF instances with dozens of teams and hundreds of agents and adapt it to a simulated warehouse system.

研究动机与目标

• 为解决靶点分配与路径规划问题（TAPF），该问题在已知环境中结合了团队智能体的靶点分配与无碰撞路径规划。
• 将匿名与非匿名多智能体路径规划问题统一到一个框架中。
• 在确保无碰撞运动的前提下，最小化完成时间（即最后一名智能体抵达指定目标的时间）。
• 开发一种可扩展、最优且完备的算法，用于大规模TAPF实例。

提出的方法

• CBM使用时间展开网络对智能体随时间的移动进行建模，从而支持在团队内部进行最小费用最大流计算，以实现靶点分配与路径规划。
• 在低层，应用最小费用最大流算法为各团队内的智能体分配靶点并计算最优路径。
• 在高层，采用基于冲突的搜索算法，通过迭代识别并解决来自不同团队的智能体之间的碰撞。
• 该算法通过分层架构将团队内规划与团队间冲突解决相结合，确保全局最优性。
• 通过在时间展开图中系统性地检测与解决冲突，保证了算法的正确性、完备性与最优性。
• 通过调整流公式以适应智能体身份与靶点分配，该方法支持匿名与非匿名两种设置。

实验结果

研究问题

• RQ1 能否设计一种统一算法，在同时处理团队内与团队间智能体协调的同时，实现TAPF问题的最优完成时间？
• RQ2 如何有效结合最小费用最大流与基于冲突的搜索，以求解大规模TAPF问题？
• RQ3 该分层方法在团队数量与智能体数量方面具有怎样的可扩展性？
• RQ4 在存在密集智能体交互的复杂多团队环境中，该算法是否能保持最优性与完备性？
• RQ5 在如仓储物流等实际仿真场景中，CBM的性能与现有方法相比如何？

主要发现

• CBM被证明在已知地形中正确、完备且最优地求解TAPF问题。
• 该算法可有效扩展至包含数十支团队和数百名智能体的TAPF实例。
• 实验结果表明，CBM在大规模场景中实现了最优完成时间。
• 最小费用最大流与基于冲突的搜索的结合，实现了高效且可扩展的团队间冲突解决。
• CBM已在仿真仓储系统中成功适配并评估，显示出实际应用潜力。