Engineering LaCAM$^\ast$: Towards Real-Time, Large-Scale, and Near-Optimal Multi-Agent Pathfinding

本文通过对最近提出的LaCAM*算法进行改进，解决了实时、大规模、近最优多智能体路径规划（MAPF）的挑战。LaCAM*是一种可扩展的基于搜索的算法，保证找到累积转换成本的最优解。虽然它已经展示了出色的规划成功率，超过了各种最先进的MAPF方法，但它的初始解质量远非最优，收敛速度也很慢。为了克服这些限制，本文引入了几种改进技术，部分灵感来源于其他MAPF方法。我们提供了实证证据，证明这些技术的融合显著提高了LaCAM*的解决方案质量，从而进一步推动了MAPF算法的边界。

本文旨在通过改进LaCAM*算法来解决实时、大规模、近乎最优的多智能体路径规划（MAPF）问题。

本文提出了几种改进技术，部分灵感来自其他MAPF方法，以提高LaCAM*算法的解决质量和收敛速度。

本文的改进技术显著提高了LaCAM*算法的解决质量，超越了各种最先进的MAPF方法。作者进行了实验验证，并提供了开源代码。值得进一步研究的工作包括如何进一步提高算法的效率和可扩展性。

最近的相关研究包括：Multi-Agent Pathfinding with Simultaneous Pickup and Delivery (MAPF-SPD)，Scalable Multi-Agent Pathfinding with Independence Detection (MAPF-ID)，以及Optimal Cooperative Pathfinding with Limited Communication (OCPL)等。