PRIMER: Perception-Aware Robust Learning-based Multiagent Trajectory Planner

在分散式多智能体轨迹规划中，智能体需要通信和交换它们的位置以生成无碰撞轨迹。然而，由于本地化误差/不确定性，即使轨迹在智能体之间完美共享，轨迹去冲突也可能失败。为了解决这个问题，首先提出了PARM和PARM*，感知感知、分散式、异步的多智能体轨迹规划器，使一组智能体能够在不确定的环境中导航，使用感知信息去解决轨迹冲突和避免障碍物。PARM*与PARM不同，它更少保守，使用更多计算来找到更接近最优解的解决方案。虽然这些方法实现了最先进的性能，但它们需要在机载上解决大型优化问题，导致计算成本高，使智能体难以高速重新规划。为了克服这个挑战，提出了第二个关键贡献，PRIMER，一个基于学习的规划器，使用PARM*作为专家演示器进行模仿学习（IL）训练。PRIMER利用神经网络在部署时的低计算要求，实现了计算速度比基于优化的方法快5500倍。

解决问题：论文试图解决多智能体路径规划中局部化误差带来的路径冲突问题，提出了三种解决方案。

关键思路：提出了三种解决方案，分别是基于感知的PARM和PARM*，以及基于学习的PRIMER。其中，PARM和PARM*使用感知信息解决路径冲突问题，而PRIMER则是基于PARM*的专家演示器进行训练的学习方法。

其他亮点：PARM和PARM*表现出了最先进的性能，但需要在设备上解决大规模优化问题，计算成本较高。PRIMER则是基于神经网络的学习方法，计算成本低得多，速度比优化方法快5500倍。实验使用了人工场景和真实场景数据集，并开源了代码。值得进一步研究的工作包括如何在更复杂的场景中使用这些方法。

相关研究：最近的相关研究包括Multi-Agent Path Finding (MAPF)、Decentralized Multi-Agent Reinforcement Learning (MARL)、以及多智能体路径规划和感知的结合研究。