यह शोधपत्र RAILGUN प्रस्तुत करता है, जो बहु-एजेंट पथ-निर्धारण (MAPF) समस्या के लिए पहली केंद्रीकृत शिक्षण-आधारित नीति है। मौजूदा वितरित शिक्षण-आधारित विधियों के विपरीत, RAILGUN एक पर्यवेक्षित नीति डिज़ाइन करने के लिए CNN-आधारित आर्किटेक्चर का उपयोग करता है, जो मानचित्र आकारों और एजेंट गणनाओं की एक विस्तृत श्रृंखला में सामान्यीकरण को सक्षम बनाता है। मॉडल को नियम-आधारित विधियों से एकत्रित प्रक्षेप पथ डेटा का उपयोग करके पर्यवेक्षित शिक्षण का उपयोग करके प्रशिक्षित किया जाता है। व्यापक प्रयोगात्मक परिणाम दर्शाते हैं कि RAILGUN मौजूदा विधियों से बेहतर प्रदर्शन करता है और उत्कृष्ट शून्य-शॉट सामान्यीकरण प्रदर्शन प्राप्त करता है।
