.png){kind=icon}
返回
Makespan Minimization for Multi-Robot Task Allocation With Balance-Aware Pointerformer
.png){kind=icon}
PRE
AI
DOI：10.1109/lra.2026.3728333.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种基于Transformer的强化学习框架，用于时间关键型多机器人任务分配，其目标是通过将该问题表述为最小-最大多车场开放式车辆路径问题来最小化任务完成时间（即工期）。在该问题中，传统方法通常难以扩展到大规模实例。标准Transformer策略的扩展性更好，但对机器人分配顺序敏感，因为早期分配会限制后续选择，并可能产生不平衡的工作负载，导致工期延长。为解决此问题，我们提出了平衡感知指针Transformer（BAP），它将问题增强和多起点解码整合为一种多样化顺序探索策略，并共享基线，由一种内存高效的编码器支持，以保持探索的可操作性。此外，BAP整合了平衡感知的上下文嵌入，明确编码全局和每机器人的进度，引导策略实现工作负载平衡的分配。在均匀和聚集任务分布的实验结果表明，BAP在小规模实例上与时间受限的MILP求解器保持竞争力，提高了大规模问题的解质量，并在几乎所有测试设置中均实现了比代表性启发式和基于学习的基线更低的工期。
Keyword:
Multi-Robot Systems
Planning
Scheduling and Coordination
Reinforcement Learning
Task Planning
期刊
I
IF:
5.3
论文数:
2.0K
被引数:
3.9W
机构
引用论文
RTAW: An Attention Inspired Reinforcement Learning Method for Multi-Robot Task Allocation in Warehouse EnvironmentsRTAW：一种受注意力启发的仓库环境多机器人任务分配强化学习方法
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏分享收藏
查看更多内容