论文页面 - 面向大规模多智能体路径规划的局部通信学习

来源：https://huggingface.co/papers/2605.07637

摘要

通过可学习的通信模块增强的多智能体路径规划求解器，可在保持可扩展性的同时提升协调性与性能。

多智能体路径规划（Multi-agent pathfinding，简称MAPF）是一种广泛用于多机器人轨迹规划问题的抽象模型，其中多个同质智能体在共享环境中同时移动。尽管最优MAPF求解是NP难的，但可扩展且高效的求解器对于物流、搜索救援等实际应用至关重要。为此，研究社区提出了多种利用机器学习的分散式次优MAPF求解器。此类方法将MAPF（从单一智能体视角）建模为一个Dec-POMDP问题，其中每个时间步，智能体需基于局部观测选择动作，并通常通过强化学习或模仿学习来求解。我们采用相同思路，但额外引入了一个可学习的通信模块，该模块通过高效的特征共享来增强智能体间的协作。我们提出了局部通信多智能体路径规划（Local Communication for Multi-agent Pathfinding，简称LC-MAPF），这是一个可泛化的预训练模型，通过相邻智能体间的多轮通信来交换信息并提升协调性。实验表明，所提方法在多种（未见过的）测试场景中，于不同指标上均优于现有基于学习的MAPF求解器（包括IL和RL方法）。值得注意的是，所引入的通信机制并未牺牲LC-MAPF的可扩展性——这是基于通信的MAPF求解器常见的瓶颈。

查看arXiv页面（https://arxiv.org/abs/2605.07637）
查看PDF（https://arxiv.org/pdf/2605.07637）
添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.07637）

在您的Agent中获取本篇论文：

hf papers read 2605.07637

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

无模型链接到此论文

请在模型 README.md 中引用 arxiv.org/abs/2605.07637 以从此页链接该模型。

引用此论文的数据集0

无数据集链接到此论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.07637 以从此页链接该数据集。

引用此论文的Space0

无 Space 链接到此论文

请在 Space README.md 中引用 arxiv.org/abs/2605.07637 以从此页链接该 Space。

收录此论文的收藏集0

无收藏集收录此论文

将本篇论文添加到一个收藏集（https://huggingface.co/new-collection）以从此页链接它。