Scaling Lifelong Multi-Agent Path Finding to More Realistic Settings: Research Challenges and Opportunities

多智能体路径规划（Multi-Agent Path Finding，MAPF）是将多个智能体从起点移动到终点，避免碰撞的问题。终身多智能体路径规划（Lifelong MAPF，LMAPF）通过不断为智能体分配新目标来扩展MAPF。我们介绍了我们在2023年机器人跑步者联赛中获胜的LMAPF竞赛方法，这使我们面临了一些有趣的研究挑战和未来方向。在本文中，我们概述了三个主要的研究挑战。第一个挑战是在有限的计划时间内（例如每步1秒）为大量智能体（例如10,000）或极高的智能体密度（例如97.7％）搜索高质量的LMAPF解决方案。我们提出了未来方向，例如开发更具竞争力的基于规则和任何时刻MAPF算法以及并行化最先进的MAPF算法。第二个挑战是减轻LMAPF算法中的拥堵和近视行为的影响。我们提出了未来方向，例如开发移动指导和交通规则以减少拥堵，纳入未来预测和实时搜索，并确定最佳智能体数量。第三个挑战是弥合文献中使用的LMAPF模型和实际应用之间的差距。我们提出了未来方向，例如处理更现实的运动学模型、执行不确定性和不断发展的系统。

解决问题：多智能体路径规划（MAPF）问题中，如何在有限的规划时间内搜索高质量的解决方案，以及如何缓解拥堵和短视行为的影响，以及如何将LMAPF模型与实际应用相结合？

关键思路：提出了一些未来的方向，如开发更具竞争力的基于规则和随时可用的MAPF算法，将最先进的MAPF算法并行化，开发移动指导和交通规则以减少拥堵，结合未来预测和实时搜索，确定最佳代理数量，处理更现实的运动学模型、执行不确定性和演化系统等问题。

其他亮点：论文介绍了三个主要的研究挑战，提供了未来的方向。实验设计涉及大量代理（例如10,000）和极高的代理密度（例如97.7%）。这篇论文的亮点还包括未来方向的提出以及对更现实的问题的处理。

相关研究：最近在这个领域中，还有一些相关的研究，例如“Multi-Agent Path Finding with Delayed Communication”和“Decentralized Multi-Robot Task Allocation with Temporal Constraints”。