Guidance Graph Optimization for Lifelong Multi-Agent Path Finding

要約

我々は、生涯マルチエージェント経路探索（MAPF）のスループットを向上させるために、ガイダンスをどのように利用するかを研究している。これまでの研究で、高速道路などのガイダンスを取り入れることでMAPFアルゴリズムを高速化することができるが、その結果、解の質とトレードオフになることが多いことが示されている。さらに、良いガイダンスを自動的に生成する方法はまだほとんど研究されておらず、現在の方法は手動で設計されたものを凌駕するには至っていない。本研究では、生涯MAPFのガイダンスの汎用的な表現として有向ガイダンスグラフを導入し、その辺の重みを最適化するタスクとしてガイダンスグラフ最適化(Guidance Graph Optimization: GGO)を定義する。任意の生涯MAPFアルゴリズムとマップのガイダンスを自動的に生成する2つのGGOアルゴリズムを紹介する。最初の方法は、ブラックボックス最適化アルゴリズムであるCMA-ESを採用することにより、直接GGOを解く。二つ目の方法PIUは、ガイダンスを生成することができる更新モデルを最適化し、最適化されたガイダンスグラフを同様のレイアウトを持つより大きなマップに転送する能力を示す。経験的に、(1)我々のガイダンスグラフは、4つのベンチマークマップにおいて、3つの代表的な生涯MAPFアルゴリズムのスループットを改善すること、(2)我々の更新モデルは、$93 ㌫の91$マップ、3000エージェントもの大規模マップに対してガイダンスグラフを生成できることを示す。

要約(オリジナル)

We study how to use guidance to improve the throughput of lifelong Multi-Agent Path Finding (MAPF). Previous studies have demonstrated that while incorporating guidance, such as highways, can accelerate MAPF algorithms, this often results in a trade-off with solution quality. In addition, how to generate good guidance automatically remains largely unexplored, with current methods falling short of surpassing manually designed ones. In this work, we introduce the directed guidance graph as a versatile representation of guidance for lifelong MAPF, framing Guidance Graph Optimization (GGO) as the task of optimizing its edge weights. We present two GGO algorithms to automatically generate guidance for arbitrary lifelong MAPF algorithms and maps. The first method directly solves GGO by employing CMA-ES, a black-box optimization algorithm. The second method, PIU, optimizes an update model capable of generating guidance, demonstrating the ability to transfer optimized guidance graphs to larger maps with similar layouts. Empirically, we show that (1) our guidance graphs improve the throughput of three representative lifelong MAPF algorithms in four benchmark maps, and (2) our update model can generate guidance graphs for as large as $93 \times 91$ maps and as many as 3000 agents.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL