Unconstraining Multi-Robot Manipulation: Enabling Arbitrary Constraints in ECBS with Bounded Sub-Optimality

要約

マルチロボットアーム動作計画（M-RAM）は、複雑なシングルエージェント計画とマルチエージェント協調を特徴とする困難な問題である。近年、Conflict-Based Search (CBS)アルゴリズムの拡張が進み、マルチエージェント経路探索(MAPF)問題を解く上で大きな進歩を遂げている。しかし、CBSをM-RAMPに適用するには、基本的な課題が残っている。核となる課題は、CBSフレームワークが保守的な「完全」制約に依存していることです。これらの制約は解の保証を保証しますが、しばしば探索空間の刈り込みに時間がかかり、高価なシングルエージェントの計画呼び出しが繰り返されます。したがって、ドメイン知識を活用し、より効率的に探索を刈り込むために不完全なM-RAMP固有のCBS制約を設計することが可能であっても、これらの制約を使用すると、アルゴリズム自体が不完全になります。このため、実務者は効率性と完全性の間で選択を迫られる。 このような課題を踏まえ、我々は、MAPFアルゴリズムにおける完全性と効率性の間の選択の重荷を取り除くことを目的とした、一般化ECBSという新しいアルゴリズムを提案する。本アプローチにより、完全性を保持し、準最適性を制限しながら、競合ベースのアルゴリズムにおいて任意の制約を使用することが可能となる。これにより、実務家は任意制約の利点を活用することができ、MAPFにおける制約設計のための、これまで探求されてこなかった新しい空間を開くことができる。我々のアルゴリズムの理論的分析を提供し、新しい「不完全」制約を提案し、M-RAMPでの実験を通してその有効性を実証する。

要約(オリジナル)

Multi-Robot-Arm Motion Planning (M-RAMP) is a challenging problem featuring complex single-agent planning and multi-agent coordination. Recent advancements in extending the popular Conflict-Based Search (CBS) algorithm have made large strides in solving Multi-Agent Path Finding (MAPF) problems. However, fundamental challenges remain in applying CBS to M-RAMP. A core challenge is the existing reliance of the CBS framework on conservative ‘complete’ constraints. These constraints ensure solution guarantees but often result in slow pruning of the search space — causing repeated expensive single-agent planning calls. Therefore, even though it is possible to leverage domain knowledge and design incomplete M-RAMP-specific CBS constraints to more efficiently prune the search, using these constraints would render the algorithm itself incomplete. This forces practitioners to choose between efficiency and completeness. In light of these challenges, we propose a novel algorithm, Generalized ECBS, aimed at removing the burden of choice between completeness and efficiency in MAPF algorithms. Our approach enables the use of arbitrary constraints in conflict-based algorithms while preserving completeness and bounding sub-optimality. This enables practitioners to capitalize on the benefits of arbitrary constraints and opens a new space for constraint design in MAPF that has not been explored. We provide a theoretical analysis of our algorithms, propose new ‘incomplete’ constraints, and demonstrate their effectiveness through experiments in M-RAMP.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL