这篇文档属于类型a(单篇原创研究论文),以下是针对该研究的学术报告:
本研究由Anton Andreychuk(俄罗斯科学院联邦计算机与控制研究中心、俄罗斯人民友谊大学)、Konstantin Yakovlev(俄罗斯科学院、俄罗斯高等经济大学)、Dor Atzmon和Roni Stern(以色列本-古里安大学)合作完成,发表于IJCAI-19(第28届国际人工智能联合会议)。
研究领域:多智能体路径规划(Multi-Agent Pathfinding, MAPF),属于人工智能与机器人运动规划的交叉领域。
研究动机:传统MAPF算法依赖离散时间步长、统一动作时长和网格环境假设,限制了在真实场景(如仓库物流、自动驾驶)中的应用。
研究目标:提出一种支持连续时间、非均匀动作时长和几何体积智能体的MAPF算法,并保证完备性(completeness)和最优性(optimality)。
研究提出连续时间冲突搜索算法(CCBS),基于以下核心改进:
- 冲突检测机制:通过几何碰撞检测(如圆盘形智能体的闭式公式)识别连续时间下的冲突,定义冲突元组〈动作i, 时间i, 动作j, 时间j〉。
- 约束生成:计算动作的不安全区间(unsafe interval),即执行动作会导致冲突的时间范围,并生成对应约束(如禁止某智能体在特定时间区间执行某动作)。
- 底层规划器:改进安全区间路径规划(Safe Interval Path Planning, SIPP)算法,使其支持CCBS约束。SIPP在连续时间空间中搜索路径,通过划分安全区间(最大无碰撞时间窗口)减少计算量。
〈i, ai, [ti, tui)〉和〈j, aj, [tj, tuj)〉)是sound的(至少一个约束在最优解中成立)。科学价值:
- 首次将连续时间、非均匀动作时长和几何体积智能体统一纳入MAPF框架,填补了理论空白。
- 为自动驾驶、物流机器人等需高精度时间协调的场景提供算法基础。
应用价值:
- 实验证明CCBS在复杂地图(如游戏环境)中的可行性,支持实际部署。
- 开源冲突检测机制(如基于[Guy and Karamouzas, 2015]的闭式公式)可扩展至其他运动规划任务。
(报告总字数:约1,500字)