Cooperative Hybrid Multi-Agent Pathfinding Based on Shared Exploration Maps

要約

マルチエージェントパスフィンディングは、マルチロボットフォーメーション、倉庫ロジスティクス、インテリジェント車両などの分野で使用されます。
ただし、多くの環境は不完全または頻繁に変化しているため、標準的な集中計画または純粋な強化学習がグローバルソリューションの品質とローカルの柔軟性の両方を維持することが困難です。
このペーパーでは、D* Lite Global Searchとマルチエージェント補強学習を統合するハイブリッドフレームワークを紹介します。スイッチングメカニズムと凍結防止戦略を使用して、動的条件と混雑した設定を処理します。
個別のくぼみ環境のフレームワークを評価し、ベースラインの方法と比較します。
実験結果は、提案されたフレームワークが成功率、衝突率、および経路効率を大幅に改善することを示しています。
このモデルは、頻繁な変更と大規模なロボット展開の下で実行可能なパスファンディングを維持する視覚プラットフォームでさらにテストされています。

要約(オリジナル)

Multi-Agent Pathfinding is used in areas including multi-robot formations, warehouse logistics, and intelligent vehicles. However, many environments are incomplete or frequently change, making it difficult for standard centralized planning or pure reinforcement learning to maintain both global solution quality and local flexibility. This paper introduces a hybrid framework that integrates D* Lite global search with multi-agent reinforcement learning, using a switching mechanism and a freeze-prevention strategy to handle dynamic conditions and crowded settings. We evaluate the framework in the discrete POGEMA environment and compare it with baseline methods. Experimental outcomes indicate that the proposed framework substantially improves success rate, collision rate, and path efficiency. The model is further tested on the EyeSim platform, where it maintains feasible Pathfinding under frequent changes and large-scale robot deployments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google