この論文では、マルチエージェントピックアップとデリバリー（MAPD）の問題をマルチエージェントパスファインディング（MAPF）の拡張と見なし、狭い通路と長い廊下を持つ倉庫環境での学習ベースの方法のパフォーマンスの低下の問題を解決します。この目的のために,MAPFをシーケンスモデリング問題として定義し,シーケンスモデリングに基づく経路探索ポリシーが順序不変の最適性を有することを証明した。 TransformerベースのSequential Pathfinder(SePar)を提案し,暗黙の情報交換を通じて意思決定の複雑さを低減しながら効率とグローバルな認識を維持実験により、SeParは、様々なMAPF作業とバリエーションから従来の学習ベースの方法より優れており、目に見えない環境への一般化性能を示しました。また、倉庫などの複雑なマップで模倣学習の必要性を強調する。
