Benchmarking Large Neighborhood Search for Multi-Agent Path Finding

要約

マルチエージェント パス検索 (MAPF) は、エージェントのグループに対して衝突のない目標到達パスを配置することを目的としています。
大規模近傍検索 (LNS) に基づく Anytime MAPF ソルバーは、その柔軟性とスケーラビリティにより、最近注目を集めています。
近傍選択戦略は MAPF-LNS の成功にとって重要であり、さまざまな方法が提案されています。
ただし、いくつかの落とし穴が存在し、これらの新しい手法の包括的な評価を妨げています。主に次のようなものがあります。 1) 実際のベースライン パフォーマンスよりも低い、ま​​たは不正確なベースライン パフォーマンス。
2) 統一された評価設定と基準の欠如。
3) 教師あり学習方法用のコードベースまたは実行可能モデルの欠如。
これらの課題を克服するために、同じベンチマークとハイパーパラメーター検索設定で著名な手法間で公正な比較を実施します。
さらに、多数のエージェントを含む大規模なマップでの実行時効率の点で明らかな進歩を示す、単純な近傍選択戦略を提案します。
私たちのベンチマーク評価は、既存の学習ベースの手法に対する新たな課題を促進し、機械学習が MAPF-LNS と統合された場合の将来の研究の機会を提供します。
コードとデータは https://github.com/ChristinaTan0704/mapf-lns-benchmark で入手できます。

要約(オリジナル)

Multi-Agent Path Finding (MAPF) aims to arrange collision-free goal-reaching paths for a group of agents. Anytime MAPF solvers based on large neighborhood search (LNS) have gained prominence recently due to their flexibility and scalability. Neighborhood selection strategy is crucial to the success of MAPF-LNS and a flurry of methods have been proposed. However, several pitfalls exist and hinder a comprehensive evaluation of these new methods, which mainly include: 1) Lower than actual or incorrect baseline performance; 2) Lack of a unified evaluation setting and criterion; 3) Lack of a codebase or executable model for supervised learning methods. To overcome these challenges, we conduct a fair comparison across prominent methods on the same benchmark and hyperparameter search settings. Additionally, we propose a simple neighborhood selection strategy which marks a clear advancement in terms of runtime efficiency in large maps with large number of agents. Our benchmarking evaluation promotes new challenges for existing learning based methods and presents opportunities for future research when machine learning is integrated with MAPF-LNS. Code and data are available at https://github.com/ChristinaTan0704/mapf-lns-benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google