Adaptive Task Token Framework for Multi-Agent Logistics Operations

doi:10.1109/lra.2026.3732893

Adaptive Task Token Framework for Multi-Agent Logistics Operations

2026-09-10

0

PRE

AI

DOI：10.1109/lra.2026.3732893

原文链接

原文求助

摘要

En 中文

多智能体取货与配送（MAPD）将多智能体路径查找扩展到长时域场景，其中取货与配送任务在线到达，智能体需持续分配与路由，如在自动化仓库中。现有MAPD方法存在三个缺口，限制了实际部署。首先，基于令牌的方法（如令牌传递（TP）和带任务交换的TP（TPTS））顺序分配任务，导致贪心、全局次优分配，并使空闲智能体停留在阻碍活动智能体的位置。其次，这些方法假设无干扰执行，对真实机器人常见的延迟和死锁无恢复机制；k-TP增加了延迟容忍度，但仅保守地实现且计算成本高。第三，集中式最优方法（如CENTRAL）协调良好，但无法扩展至实时操作。为弥补这些缺口，我们提出自适应任务令牌框架（ATTF），其（i）用基于全局、邻近性的模块替代顺序分配，按旅行成本同时将所有空闲智能体与所有可用任务配对，以及（ii）引入统一的延迟与死锁容忍机制，仅截断并重规划受影响路径，并将空闲智能体重定向至非任务终点以缓解拥堵。在多样化仓库布局中，ATTF在完工时间和服务时间上达到或优于TP和TPTS，并在延迟下在三项指标上均优于k-TP——减少服务时间最高49%，运行时间减少约82%——同时维持每时间步次秒级运行时间，支持最多500个智能体，而在此规模下k-TP无法生成解。

Keyword:

Timing

Delays

Warehousing

Algorithms

Runtime

Planning

Conferences

Real-time systems

Path planning

Radio access networks

Adaptive Task Token Framework for Multi-Agent Logistics Operations

摘要

期刊

机构

引用论文