Multi-agent path finding on real robots
PulseAugur coverage of Multi-agent path finding on real robots — every cluster mentioning Multi-agent path finding on real robots across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
区块链通过代币经济学增强多智能体强化学习
研究人员推出了一种名为BE-CTDE的新系统，该系统将区块链技术与多智能体强化学习（MARL）相结合，以增强物联网等系统中的协调性和信任度。该方法使用区块链作为训练管理层，并采用行为验证器将智能体行为与策略建议进行比较。一种包含罚没和奖励的代币机制会惩罚偏离行为并激励遵守，将智能体的可审计行为与其对全局策略更新的影响直接联系起来。在多智能体路径寻找方面的实验表明，BE-CTDE在对抗条件下显著提高了成功率，即使在对手占多数的情况下也优于现有方法。
-
新的MAPF方法支持智能体的同步多优先级
研究人员开发了一种新颖的多智能体路径查找（MAPF）方法，允许智能体同时使用多种优先级策略进行计算。该方法解决了大型网络中MAPF的计算挑战，传统优先级规划（PP）解决方案高度依赖于所选的优先级。新技术具有通用性，无需领域特定知识，并在实验中显示出近乎最优的优先级，计算时间略有增加但优于现有方法。在涉及道路网络中多辆车的模拟中，它还显示了实时能力。
-
新研究探索先进的多智能体路径寻找技术 · 已追踪 2 个来源
两篇新研究论文探讨了多智能体路径寻找 (MAPF) 的进展。第一篇“MAPF-World”介绍了一种自回归动作世界模型，该模型统一了短视预测和动作生成，提高了高密度环境中的决策制定和泛化能力。第二篇论文“经典多智能体路径寻找的成本”研究了经典 MAPF 公式化的局限性，并证明了连续时间 MAPF (MAPF$_R$) 可以产生质量显著更高的解决方案，尤其是在开放空间地图上。
-
新的MAPF-Collapse方法将复杂的路径查找问题分解
研究人员开发了一个新的框架来优化多智能体路径查找（MAPF）计划，这个过程被称为MAPF-Collapse。这种新方法，称为MAPF-Collapse via Exact Decomposition into Independent Sub-Instances，将复杂的MAPF问题分解为更小、更易于管理子问题。该框架显著加快了优化过程，与Judgelight等现有方法相比，在中值速度上提高了10.5倍，尤其是在最少智能体协调的实例上。
-
新的MAGIC框架改进了地图不确定性下的多智能体路径寻找
研究人员开发了一个名为MAGIC（Multi-Agent Gaussian belief Inference for Coordination）的新框架，以解决多智能体路径寻找（MAPF）中的不确定性问题。该系统基于智能体的观测，实时更新关于可通行性的共享信念，并利用空间相关性来推断未观测区域的可通行性。实验表明，与现有方法相比，MAGIC显著降低了执行成本，即使对于多达800个智能体的大型团队也证明是有效的。
-
新规划器应对复杂的多智能体 Sokoban 挑战
研究人员开发了一种名为 Sokoban-LaCAM 的新规划器，能够高效地解决多智能体 Sokoban 游戏实例，该游戏涉及智能体推动箱子到目标位置。该方法利用了多智能体路径查找 (MAPF) 的最新进展，以处理多智能体带来的复杂性，例如增加的分支因子以及集成任务分配和无碰撞路径查找的需求。Sokoban-LaCAM 规划器通过成功管理数十个智能体和箱子，同时保持完整性和最终最优性，展示了其可扩展性，这表明 MAPF 可用于更广泛的集…
-
新的PS-MAPF算法解决了自动化系统中复杂的多智能体路径寻找问题
研究人员推出了一种新的多智能体路径寻找（Multi-Agent Path Finding）变体——Pivot-and-Station Multi-Agent Path Finding (PS-MAPF)，该变体专为自动化高密度存储系统设计。该变体要求一部分智能体在所有智能体到达匿名站点之前访问可互换的枢轴点。该研究全面刻画了PS-MAPF实例的可解性，表明在2边连通图上的所有实例都是可解的，并给出了在任意连通图上的可解性条件。此外，研…
-
新的AOC-CBS算法推进了多智能体寻路能力
研究人员开发了AOC-CBS，一种用于通用多智能体寻路（MAPF）的新算法，该算法能够处理连续时间和更复杂的智能体行为。该求解器保证最终最优性，同时在其运行期间提供不断改进的现有解决方案。AOC-CBS在具有混合车队和非凸智能体的基准测试中表现出从数十个到数百个智能体的可扩展性，性能优于先前的方法。
-
新算法优化多机器人仓库运营，兼顾密度和速度
一篇新研究论文介绍了一种用于优化自动化仓库中多机器人系统的新型算法，专门解决了在保持高检索吞吐量的同时最大化存储密度这一挑战。所提出的优先级规划方法保证了完整性并防止了死锁，为检索序列中的不确定性提供了可扩展性和鲁棒性。实验表明，随着机器人数量的增加，性能接近线性提高，鲁棒性安排的开销可忽略不计。
-
新算法优化仓库布局，无需仿真
研究人员开发了一种新颖的自动化仓库布局优化算法——应力释放退火（SRA），该算法可显著提高机器人吞吐量和可扩展性。与依赖大量仿真的先前方法不同，SRA在多项式时间内运行，无需仿真，它通过将任务需求转换为预测交通拥堵的应力场来实现。实验表明，SRA可使仓库的机器人容量翻倍，并且在吞吐量方面能媲美或超越现有的进化基线，同时所需的计算时间大大减少。