.png){kind=icon}
返回
Persistent Space-Level Path Segment Finding for Multiple Nonholonomic Agents
.png){kind=icon}
PRE
AI
DOI：10.1109/TII.2025.3609041.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多智能体路径规划（MAPF）是现实世界中多智能体系统中的一个关键问题，其中智能体在不相互碰撞的情况下到达各自的目的地。大多数MAPF求解器假设智能体以恒定速度移动且无延迟，并在到达目标后停止。然而，现实世界中的非完整约束智能体面临减速、变道和加速等延迟，这些延迟会影响效率。此外，任务持续生成，使得满足生产要求具有挑战性。为解决此问题，我们提出了一种新颖的方法，即空间级路径段（SLPS）规划算法，它弥合了传统MAPF方法与非完整约束智能体的现实需求之间的差距。SLPS定义了必要和可选约束以构建碰撞检测图（CDG），并构建一个优化问题以最小化任务完成时间，从而简化CDG。然后，它计算单个SLPS，允许非完整约束智能体以不同速度运行且无需同步。此外，SLPS通过四种事件触发方法支持持续MAPF任务，能够针对动态变化进行灵活重规划。实验结果表明，与最接近的当前最优求解器相比，SLPS减少了平均任务完成时间，证明了其在现实世界应用中的效率。
Keyword:
Collision avoidance
dynamic execution
lifelong multiagent path finding (MAPF)
multiagent path finding
nonholonomic agents
space-level path finding
期刊
IF:
9.9
论文数:
8.6K
被引数:
6.0W
机构
引用论文
.png){kind=icon}
Transformer-Based Imitative Reinforcement Learning for Multirobot Path Planning基于Transformer的多机器人路径规划模拟强化学习
PREAI
分享收藏
查看更多内容