Multi-Agent Target Assignment and Path Finding for Intelligent Warehouse: A Cooperative Multi-Agent Deep Reinforcement Learning Perspective

在智能仓库中，多智能体目标分配和路径规划（TAPF）是两个关键问题。然而，大多数文献仅单独解决这两个问题中的一个。在本研究中，我们提出了一种方法，从合作多智能体深度强化学习（RL）的角度同时解决目标分配和路径规划问题。据我们所知，这是第一篇将TAPF问题建模为智能仓库的合作多智能体深度RL，并且首次基于多智能体深度RL同时解决TAPF问题的工作。此外，以往的文献很少考虑智能体的物理动力学。本研究考虑了智能体的物理动力学。实验结果表明，我们的方法在各种任务设置中表现良好，这意味着目标分配得到了合理解决，规划的路径几乎是最短的。此外，我们的方法比基线更节省时间。

本论文旨在从合作多智能体深度强化学习的角度，同时解决智能仓库中的目标分配和路径规划问题。这是否是一个新问题？

该论文提出了一种新的方法，通过合作多智能体深度强化学习来同时解决目标分配和路径规划问题，并考虑了智能体的物理动力学。相比当前的研究状况，这篇论文的关键思路有何新意？

该论文的实验结果表明，该方法在各种任务设置中表现良好，可以合理地解决目标分配问题并规划出近乎最短的路径。此外，该方法比基线方法更具时间效率。论文还考虑了智能体的物理动力学，并提供了数据集和开源代码。

在智能仓库领域，以前的文献往往只解决目标分配或路径规划问题。最近的相关研究包括“Multi-Agent Path Finding with Disjoint Action Spaces”和“Multi-Agent Path Finding with Simultaneous Execution of Actions”。