.png){kind=icon}
返回
A Scalable Framework for Lifelong Multiagent Path Finding With Asynchronous Actions
.png){kind=icon}
PRE
AI
DOI：10.1109/tii.2026.3681327.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
终身多智能体路径规划（LMAPF）需要为大型机器人车队进行持续的任务分配和无碰撞路径规划。然而，现有的LMAPF方法假设同步单位时间动作，而实际机器人的运动执行是异步的，且持续时间不均匀。这种不匹配可能导致执行过程中的碰撞，并使大规模系统中的频繁重规划面临挑战。我们研究了具有异步动作的LMAPF，并提出了一种框架，通过协调路径规划和动作调度来确保异步执行下的安全性及实时可扩展性，并辅以简单的贪心任务分配。为确保安全性，路径规划器消除循环冲突以防止结构死锁，而轻量级动作调度器在执行过程中强制执行顶点优先级，无需显式时间建模即可解决跟随冲突。为实现实时性能，规划器通过重用非空闲智能体的剩余路径进行部分重规划，这些路径通过调度器的路径再同步转换为同步形式，从而实现一致且高效的重规划。在包含多达1000个机器人的仓库环境中的实验表明，与现有最先进的LMAPF方法相比，我们的框架可将吞吐量提高一倍以上，同时确保在异步动作下的安全运行。
Keyword:
Asynchronous action
cycle conflict (CC)
lifelong multiagent path finding (LMAPF)
warehouse automation
期刊
IF:
9.9
论文数:
8.6K
被引数:
6.0W
机构
引用论文
db-CBS: Discontinuity-Bounded Conflict-Based Search for Multi-Robot Kinodynamic Motion Planningdb-CBS：基于冲突且受不连续性约束的多机器人运动规划
OAAI
.png){kind=icon}
OAAI分享收藏Deploying Ten Thousand Robots: Scalable Imitation Learning for Lifelong Multi-Agent Path Finding
PREAI
分享收藏
P3GASUS: Pre-Planned Path Execution Graphs for Multi-Agent Systems at Ultra-Large ScaleP3GASUS：面向超大规模多智能体系统的预规划路径执行图
PREAI
分享收藏
查看更多内容