Inteligentní agenti (IAᴳ)

2019 - 2021

V multi-agentním hledání cest (MAPF) je úkolem najít vzájemně nekolidující cesty v grafu pro skupinu rozlišitelných agentů. Problém MAPF představuje důležitou teoretickou výzvu a zároveň má mnoho praktických aplikací. Významného pokroku bylo v poslední době dosaženo v řešících technikách jak pro optimální, tak pro neoptimální případ problému. Tento projekt odráží vzrůstající zájem výzkumné komunity o zobecnění problému MAPF. Náš výzkum je zaměřen na studium inteligentních řešících algoritmů v několika různorodých směrech zobecňování problému MAPF, které jsou unikátní pro tento projekt. Jsou studována zobecnění v logickém vyjádření úlohy MAPF se zaměřením na složité lokální a globální podmínky založené na SAT-modulovaných teoriích (SMT). V rámci úlohy MAPF s protivníkem, kdy více týmů agentů soupeří v dosažení svých cílů, se projekt zabývá kombinací teorie her se strojovým učením. Užitečná zobecnění souvisejí také s algoritmy pro MAPF s polynomiálním časem, kde studujeme rozšíření z neorientovaných na orientované grafy.

Stať ve sborníku

Katedra aplikované matematiky

We unify search-based and compilation-based approaches to multi-agent path finding (MAPF) through satisfiability modulo theories(SMT). The task in MAPF is to navigate agents in an undirected graph to given goal vertices so that they do not collide. We rephrase Conflict-Based Search (CBS) in the terms of SMT. This idea combines MDD-SAT, a SAT-based optimal MAPF solver, at the low level with conflict elimination of CBS at the high level.

Stať ve sborníku

Katedra aplikované matematiky

Multi-Agent Path Finding (MAPF) has been widely studied in the AI community. For example, Conflict-Based Search(CBS) is a state-of-the-art MAPF algorithm based on a two-level tree-search. However, previous MAPF algorithms assume that an agent occupies only a single location at any given time, e.g., a single cell in a grid. This limits their applicability in many real-world domains that have geometric agents in lieu of point agents. In this paper, we formalize and study MAPF for large agents that considers the shapesof agents. We present a generalized version of CBS, called Multi-Constraint CBS (MC-CBS), that adds multiple constraints (instead of one constraint) for an agent when it generates a high-level search node. Experimental results show thatall MC-CBS variants significantly outperform CBS. The best variant also outperforms EPEA* (a state-of-the-art A*-based MAPF solver) in all cases and MDD-SAT (a state-of-the-art reduction-based MAPF solver) in some cases.