Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Accélération de la recherche focale dans la recherche de chemin multi-agent avec des limites inférieures plus strictes

Created by
  • Haebom

Auteur

Yimin Tang, Zhenghong Yu, Jiaoyang Li, Sven Koenig

Contour

Cet article propose DECBS, un nouvel algorithme d'approximation pour le problème de recherche de chemin multi-agents (MAPF). MAPF est un problème NP-difficile où plusieurs agents trouvent un chemin vers un objectif sans collision. Les algorithmes d'approximation contraints existants, tels qu'ECBS et EECBS, utilisent des techniques de recherche focale pour équilibrer efficacité de calcul et qualité de la solution. Cependant, la recherche focale conventionnelle souffre du problème de la croissance lente de la valeur de la borne inférieure (LB) dans les premières étapes, ce qui limite l'espace de recherche. DECBS résout ce problème en déterminant d'abord la valeur maximale de la LB et en effectuant une recherche par le meilleur d'abord basée sur cette valeur. Les résultats expérimentaux montrent que DECBS surpasse ECBS dans la plupart des cas et est compatible avec les techniques d'optimisation existantes. Plus précisément, lorsque la densité d'agents est moyenne à élevée, DECBS obtient une amélioration moyenne du temps d'exécution de 23,5 % par rapport à ECBS dans les mêmes conditions de borne de sous-optimalité et d'optimisation. Il réduit également les nœuds CT de grande dimension d'environ 30 % et les nœuds de recherche focale de faible dimension d'environ 50 %.

Takeaways, Limitations_

Takeaways:
Un algorithme d'approximation efficace, DECBS, pour le problème de recherche de chemin multi-agent est présenté.
Réduction confirmée du temps d'exécution et du nombre de nœuds de recherche par rapport à l'algorithme ECBS existant (particulièrement efficace dans les environnements à haute densité).
Offre un potentiel d’amélioration des performances supplémentaires grâce à la compatibilité avec les techniques d’optimisation existantes.
Limitations:
L’amélioration des performances de l’algorithme proposé n’est pas cohérente dans tous les cas (elle est supérieure dans la plupart des cas, mais pas dans tous les cas).
L’amélioration des performances du DECBS varie en fonction de la densité de l’agent (plus efficace dans les environnements à haute densité).
Une vérification supplémentaire de la généralisabilité des résultats expérimentaux présentés dans l’article est nécessaire.
👍