Guidance Graph Optimization for Lifelong Multi-Agent Path Finding

要約

私たちは、ガイダンスを使用して生涯にわたるマルチエージェント パス検索 (MAPF) のスループットを向上させる方法を研究します。
これまでの研究では、高速道路などのガイダンスを組み込むと MAPF アルゴリズムを高速化できるものの、多くの場合、ソリューションの品質とのトレードオフが生じることが実証されています。
さらに、適切なガイダンスを自動的に生成する方法はほとんど解明されておらず、現在の方法は手動で設計された方法を超えるには至っていません。
この研究では、生涯にわたる MAPF のガイダンスの多用途表現としてガイダンス グラフを導入し、ガイダンス グラフの最適化をそのエッジの重みを最適化するタスクとして構成します。
任意の生涯にわたる 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します。
最初の方法はエッジの重みを直接最適化しますが、2 番目の方法はエッジの重みを生成できる更新モデルを最適化します。
経験的に、(1) 私たちのガイダンス グラフは、8 つのベンチマーク マップにおける 3 つの代表的な生涯 MAPF アルゴリズムのスループットを向上させ、(2) 私たちの更新モデルは、最大 $93 \times 91$ のマップおよび最大数のマップのガイダンス グラフを生成できることを示しています。
エージェントは 3,000 名。
ソース コードは \url{https://github.com/lunjohnzhang/ggo_public} に含まれています。
最適化されたガイダンス グラフはすべて、\url{https://yulunzhang.net/publication/zhang2024ggo} からオンラインで入手できます。

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 guidance graph as a versatile representation of guidance for lifelong MAPF, framing Guidance Graph Optimization 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 optimizes edge weights, while the second method optimizes an update model capable of generating edge weights. Empirically, we show that (1) our guidance graphs improve the throughput of three representative lifelong MAPF algorithms in eight benchmark maps, and (2) our update model can generate guidance graphs for as large as $93 \times 91$ maps and as many as 3,000 agents. We include the source code at: \url{https://github.com/lunjohnzhang/ggo_public}. All optimized guidance graphs are available online at: \url{https://yulunzhang.net/publication/zhang2024ggo}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google