MAGIC框架解决地图不确定下多智能体寻路问题
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对多智能体寻路（MAPF）中地图障碍未知且空间相关的问题，研究者提出MAGIC框架。该框架利用高斯马尔可夫随机场与高斯置信传播，让智能体在线共享观测并近似推断未观测区域的可通过性，为常规规划器构建绕行感知代价。在MAPF基准测试中，面对多达800个智能体的团队，MAGIC在96.3%的实例上降低了执行总代价，优于现有方法。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载MAPF未知障碍推断痛点
经典多智能体寻路假设静态障碍完全已知，但现实常遇物体掉落等突发局部干扰。当这些地图变化具备空间相关性时，单次观测本可辅助估计未观测区域的通行状态。然而既有应对通行不确定性的方案，如制定应急计划或基于直接观测重规划，均未利用空间依赖去推断周边未知区域，导致无法提前规避可能引发高昂重路由代价的邻近障碍。
MAGIC框架的推断与规划机制
研究聚焦信念感知MAPF，设定地图偏差在执行中固定但初始未知，且观测具备超越观测点的信息量。提出的MAGIC框架让智能体基于观测在线更新关于通行状态的共享信念。该框架采用高斯马尔可夫随机场结合高斯置信传播来近似推断可通行性，进而为标准MAPF规划器构建具备绕行感知的代价函数，使规划能提前应对潜在障碍。
大规模基准测试验证效果
在MAPF基准测试上的实验表明，MAGIC在多种规划器家族及规模达800个智能体的团队配置下，于96.3%的测试实例中降低了执行总代价。这一结果证明，通过利用空间相关性推断未知区域通行状态并构建绕行感知代价，该框架能有效减少重路由开销，且具备处理大规模MAPF问题的适用性。
为什么值得看
利用空间相关性推断未知障碍，显著降低大规模多智能体寻路的重路由代价。
智能体基准测试
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。