Learning to Team-Based Navigation: A Review of Deep Reinforcement Learning Techniques for Multi-Agent Pathfinding

要約

マルチエージェント パスファインディング (MAPF) は、多くの大規模ロボット アプリケーションにおいて重要な分野であり、多くの場合、マルチエージェント システムの基本的なステップとなります。
ただし、複雑で混雑した環境における MAPF の複雑さが増すと、既存のソリューションの有効性が大幅に低下します。
MAPF の最近の進歩の概要を提示したり、マルチエージェント システム設定内の深層強化学習 (DRL) を独立して広範にレビューした他の研究とは対照的に、このレビュー ペーパーで提示された私たちの研究は、DRL の統合に焦点を当てています。
MAPF に基づいたアプローチ。
さらに、統一された評価指標の欠如に対処し、これらの指標に関する包括的な明確化を提供することで、MAPF ソリューションの評価における現在のギャップを埋めることを目指しています。
最後に、私たちの論文では、将来有望な方向性としてのモデルベースの DRL の可能性について議論し、MAPF の現在の課題に対処するために必要な基礎的な理解を提供します。
私たちの目的は、読者が現在の研究の方向性についての洞察を得るのを支援し、さまざまな MAPF アルゴリズムを比較するための統一された指標を提供し、MAPF の既存の課題に対処するためのモデルベースの DRL の知識を広げることです。

要約(オリジナル)

Multi-agent pathfinding (MAPF) is a critical field in many large-scale robotic applications, often being the fundamental step in multi-agent systems. The increasing complexity of MAPF in complex and crowded environments, however, critically diminishes the effectiveness of existing solutions. In contrast to other studies that have either presented a general overview of the recent advancements in MAPF or extensively reviewed Deep Reinforcement Learning (DRL) within multi-agent system settings independently, our work presented in this review paper focuses on highlighting the integration of DRL-based approaches in MAPF. Moreover, we aim to bridge the current gap in evaluating MAPF solutions by addressing the lack of unified evaluation metrics and providing comprehensive clarification on these metrics. Finally, our paper discusses the potential of model-based DRL as a promising future direction and provides its required foundational understanding to address current challenges in MAPF. Our objective is to assist readers in gaining insight into the current research direction, providing unified metrics for comparing different MAPF algorithms and expanding their knowledge of model-based DRL to address the existing challenges in MAPF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google