Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models

要約

マルチエージェント パス検索 (MAPF) はロボット工学における基本的な問題であり、複数のエージェントがそれぞれの開始位置からゴール位置まで移動するための衝突のないパスを計算する必要があります。
共有環境で複数のエージェントを調整することは、特に従来の最適化アルゴリズムがスケーラビリティに苦労する連続空間では、重大な課題を引き起こします。
さらに、これらのアルゴリズムは多くの場合、環境の離散化表現に依存するため、画像ベースの設定や高次元の設定では実用的ではない可能性があります。
最近、拡散モデルは単一エージェントの経路計画において有望であることが示されており、複雑な軌道分布を捕捉し、連続した高次元空間をナビゲートする滑らかな経路を生成します。
ただし、拡散モデルを MAPF に直接拡張すると、これらのモデルはエージェント間の衝突回避などの制約の実現可能性を確保するのに苦労するため、新たな課題が生じます。
この制限を克服するために、この研究では、連続空間における MAPF の拡散モデルと制約付き最適化を統合する新しいアプローチを提案します。
このユニークな組み合わせにより、衝突回避と運動学的制約を考慮した実現可能なマルチエージェント軌道が直接生成されます。
私たちのアプローチの有効性は、さまざまな次元のさまざまな困難なシミュレーションシナリオにわたって実証されています。

要約(オリジナル)

Multi-Agent Path Finding (MAPF) is a fundamental problem in robotics, requiring the computation of collision-free paths for multiple agents moving from their respective start to goal positions. Coordinating multiple agents in a shared environment poses significant challenges, especially in continuous spaces where traditional optimization algorithms struggle with scalability. Moreover, these algorithms often depend on discretized representations of the environment, which can be impractical in image-based or high-dimensional settings. Recently, diffusion models have shown promise in single-agent path planning, capturing complex trajectory distributions and generating smooth paths that navigate continuous, high-dimensional spaces. However, directly extending diffusion models to MAPF introduces new challenges since these models struggle to ensure constraint feasibility, such as inter-agent collision avoidance. To overcome this limitation, this work proposes a novel approach that integrates constrained optimization with diffusion models for MAPF in continuous spaces. This unique combination directly produces feasible multi-agent trajectories that respect collision avoidance and kinematic constraints. The effectiveness of our approach is demonstrated across various challenging simulated scenarios of varying dimensionality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google