Neural ATTF: A Scalable Solution to Lifelong Multi-Agent Path Planning

要約

マルチエージェントピックアップと配信（MAPD）は、特に倉庫の自動化やロジスティクスなどのアプリケーションのロボット工学の根本的な問題です。
既存のソリューションは、多くの場合、スケーラビリティ、適応性、効率の課題に直面し、リアルタイムの計画要件を備えた動的環境での適用性を制限します。
このホワイトペーパーでは、データ駆動型のパス計画方法であるニューラルガイドマッチング（PGTM）モジュール（PGTM）モジュール（時空A*）を組み合わせたニューラルATTF（Adaptive Task Token Framework）を紹介します。
ニューラルSTA*は、誘導された学習ヒューリスティックを通じて検索空間を迅速に調査することにより、パス計画を強化し、動的制約の下での衝突回避を保証します。
PGTMは、遅延エージェントに優先順位を付け、これらのタスクに最も近いエージェントに優先順位を付け、連続性とシステムスループットの両方を最適化することにより、タスクを動的に割り当てます。
TPTS、Central、RMCA、LNS-PBS、LNS-WPBSを含む最先端のMAPDアルゴリズムに対する実験的評価は、神経ATTFの優れたスケーラビリティ、ソリューション品質、および計算効率を示しています。
これらの結果は、高需要の予測不可能な設定で動作する複雑で実世界のマルチエージェントシステムの重要な要求に対処するためのフレームワークの可能性を強調しています。

要約(オリジナル)

Multi-Agent Pickup and Delivery (MAPD) is a fundamental problem in robotics, particularly in applications such as warehouse automation and logistics. Existing solutions often face challenges in scalability, adaptability, and efficiency, limiting their applicability in dynamic environments with real-time planning requirements. This paper presents Neural ATTF (Adaptive Task Token Framework), a new algorithm that combines a Priority Guided Task Matching (PGTM) Module with Neural STA* (Space-Time A*), a data-driven path planning method. Neural STA* enhances path planning by enabling rapid exploration of the search space through guided learned heuristics and ensures collision avoidance under dynamic constraints. PGTM prioritizes delayed agents and dynamically assigns tasks by prioritizing agents nearest to these tasks, optimizing both continuity and system throughput. Experimental evaluations against state-of-the-art MAPD algorithms, including TPTS, CENTRAL, RMCA, LNS-PBS, and LNS-wPBS, demonstrate the superior scalability, solution quality, and computational efficiency of Neural ATTF. These results highlight the framework’s potential for addressing the critical demands of complex, real-world multi-agent systems operating in high-demand, unpredictable settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google