WikiEdge:ArXiv速递/2025-05-25：修订间差异
Created page by Carole |
Updated page by Carole |
||
| 第7行： | 第7行： | ||
*'''原文链接'''：http://arxiv.org/abs/2505.19219v1 | *'''原文链接'''：http://arxiv.org/abs/2505.19219v1 | ||
'''中文摘要'''：[[多智能体路径规划]]（MAPF）是[[人工智能]]和[[机器人学]]中的基础性问题，其核心任务是为多个[[智能体]]计算从起始位置到目标位置的[[无碰撞路径]]。随着[[自主系统]]在[[仓储]]、[[城市交通]]等复杂环境中的广泛应用，MAPF已从理论挑战发展为现实[[多机器人协调]]的关键技术。本综述弥合了MAPF研究中[[经典算法]]与[[新兴学习方法]]之间的长期分野，提出一个统一框架涵盖[[搜索类方法]]（包括[[基于冲突的搜索]]、[[优先级搜索]]和[[大邻域搜索]]）、[[编译类方法]]（[[SAT]]、[[SMT]]、[[CSP]]、[[ASP]]和[[MIP]]形式化）以及[[数据驱动技术]]（[[强化学习]]、[[监督学习]]和[[混合策略]]）。通过对200余篇论文实验实践的系统分析，我们发现[[评估方法]]存在显著差异：经典方法通常在更大规模实例测试（可达200×200网格与1000+智能体），而学习方法主要针对10-100智能体场景。我们建立了涵盖[[评估指标]]、[[环境类型]]和[[基线选择]]的完整分类体系，强调[[标准化基准协议]]的必要性。最后展望了未来方向，包括考虑[[博弈论]]的[[混合动机MAPF]]、基于[[大语言模型]]的[[语义化规划]]，以及融合经典方法严谨性与[[深度学习]]灵活性的[[神经求解器架构]]。本综述既可作为研究者的综合参考，也能为复杂现实场景中的MAPF部署提供[[实践指导]]。 | '''中文摘要'''：[[多智能体路径规划]]（MAPF）是[[人工智能]]和[[机器人学]]中的基础性问题，其核心任务是为多个[[智能体]]计算从起始位置到目标位置的[[无碰撞路径]]。随着[[自主系统]]在[[仓储]]、[[城市交通]]等复杂环境中的广泛应用，MAPF已从理论挑战发展为现实[[多机器人协调]]的关键技术。本综述弥合了MAPF研究中[[经典算法]]与[[新兴学习方法]]之间的长期分野，提出一个统一框架涵盖[[搜索类方法]]（包括[[基于冲突的搜索]]、[[优先级搜索]]和[[大邻域搜索]]）、[[编译类方法]]（[[SAT]]、[[SMT]]、[[CSP]]、[[ASP]]和[[MIP]]形式化）以及[[数据驱动技术]]（[[强化学习]]、[[监督学习]]和[[混合策略]]）。通过对200余篇论文实验实践的系统分析，我们发现[[评估方法]]存在显著差异：经典方法通常在更大规模实例测试（可达200×200网格与1000+智能体），而学习方法主要针对10-100智能体场景。我们建立了涵盖[[评估指标]]、[[环境类型]]和[[基线选择]]的完整分类体系，强调[[标准化基准协议]]的必要性。最后展望了未来方向，包括考虑[[博弈论]]的[[混合动机MAPF]]、基于[[大语言模型]]的[[语义化规划]]，以及融合经典方法严谨性与[[深度学习]]灵活性的[[神经求解器架构]]。本综述既可作为研究者的综合参考，也能为复杂现实场景中的MAPF部署提供[[实践指导]]。 | ||
== 摘要 == | |||
* '''原文标题'''：Where Paths Collide: A Comprehensive Survey of Classic and Learning-Based Multi-Agent Pathfinding | |||
* '''中文标题'''：路径交汇之处：经典与基于学习的多智能体路径规划综合综述 | |||
* '''发布日期'''：2025-05-25 16:28:06+00:00 | |||
* '''作者'''：Shiyue Wang, Haozheng Xu, Yuhan Zhang, Jingran Lin, Changhong Lu, Xiangfeng Wang, Wenhao Li | |||
* '''分类'''：cs.AI, cs.LG, cs.MA, math.CO | |||
*'''原文链接'''：http://arxiv.org/abs/2505.19219v1 | |||
'''中文摘要'''：[[多智能体路径规划]]（[[MAPF]]）是[[人工智能]]和[[机器人学]]中的基础性问题，其核心任务是为多个[[智能体]]计算从起始位置到目标位置的[[无碰撞路径]]。随着[[自主系统]]在[[仓储]]、[[城市交通]]等复杂环境中的日益普及，MAPF已从理论挑战发展为现实[[多机器人协调]]的关键使能技术。本综述弥合了MAPF研究中经典算法方法与新兴学习方法之间的长期分野，提出一个统一框架涵盖搜索类方法（包括[[基于冲突的搜索]]、[[优先级搜索]]和[[大邻域搜索]]）、编译类方法（[[SAT]]、[[SMT]]、[[CSP]]、[[ASP]]和[[MIP]]形式化）以及数据驱动技术（[[强化学习]]、[[监督学习]]和[[混合策略]]）。通过对200余篇论文实验实践的系统分析，我们发现评估方法存在显著差异：经典方法通常在更大规模实例上测试（可达200×200网格和1000+智能体），而学习方法主要针对10-100个智能体。我们建立了评估指标、环境类型和基线选择的完整分类体系，强调标准化[[基准测试]]协议的必要性。最后，我们展望了未来研究方向，包括考虑[[博弈论]]的混合动机MAPF、基于[[大语言模型]]的[[自然语言规划]]，以及融合经典方法严谨性与[[深度学习]]灵活性的[[神经求解器]]架构。本综述既可作为研究人员的综合参考，也能为日益复杂的现实应用部署MAPF解决方案提供实践指南。 | |||
2025年5月28日 (三) 09:47的版本
摘要
- 原文标题：Where Paths Collide: A Comprehensive Survey of Classic and Learning-Based Multi-Agent Pathfinding
- 中文标题：路径交汇之处：经典与基于学习的多智能体路径规划综合综述
- 发布日期：2025-05-25 16:28:06+00:00
- 作者：Shiyue Wang, Haozheng Xu, Yuhan Zhang, Jingran Lin, Changhong Lu, Xiangfeng Wang, Wenhao Li
- 分类：cs.AI, cs.LG, cs.MA, math.CO
- 原文链接：http://arxiv.org/abs/2505.19219v1
中文摘要：多智能体路径规划（MAPF）是人工智能和机器人学中的基础性问题，其核心任务是为多个智能体计算从起始位置到目标位置的无碰撞路径。随着自主系统在仓储、城市交通等复杂环境中的广泛应用，MAPF已从理论挑战发展为现实多机器人协调的关键技术。本综述弥合了MAPF研究中经典算法与新兴学习方法之间的长期分野，提出一个统一框架涵盖搜索类方法（包括基于冲突的搜索、优先级搜索和大邻域搜索）、编译类方法（SAT、SMT、CSP、ASP和MIP形式化）以及数据驱动技术（强化学习、监督学习和混合策略）。通过对200余篇论文实验实践的系统分析，我们发现评估方法存在显著差异：经典方法通常在更大规模实例测试（可达200×200网格与1000+智能体），而学习方法主要针对10-100智能体场景。我们建立了涵盖评估指标、环境类型和基线选择的完整分类体系，强调标准化基准协议的必要性。最后展望了未来方向，包括考虑博弈论的混合动机MAPF、基于大语言模型的语义化规划，以及融合经典方法严谨性与深度学习灵活性的神经求解器架构。本综述既可作为研究者的综合参考，也能为复杂现实场景中的MAPF部署提供实践指导。
摘要
- 原文标题：Where Paths Collide: A Comprehensive Survey of Classic and Learning-Based Multi-Agent Pathfinding
- 中文标题：路径交汇之处：经典与基于学习的多智能体路径规划综合综述
- 发布日期：2025-05-25 16:28:06+00:00
- 作者：Shiyue Wang, Haozheng Xu, Yuhan Zhang, Jingran Lin, Changhong Lu, Xiangfeng Wang, Wenhao Li
- 分类：cs.AI, cs.LG, cs.MA, math.CO
- 原文链接：http://arxiv.org/abs/2505.19219v1
中文摘要：多智能体路径规划（MAPF）是人工智能和机器人学中的基础性问题，其核心任务是为多个智能体计算从起始位置到目标位置的无碰撞路径。随着自主系统在仓储、城市交通等复杂环境中的日益普及，MAPF已从理论挑战发展为现实多机器人协调的关键使能技术。本综述弥合了MAPF研究中经典算法方法与新兴学习方法之间的长期分野，提出一个统一框架涵盖搜索类方法（包括基于冲突的搜索、优先级搜索和大邻域搜索）、编译类方法（SAT、SMT、CSP、ASP和MIP形式化）以及数据驱动技术（强化学习、监督学习和混合策略）。通过对200余篇论文实验实践的系统分析，我们发现评估方法存在显著差异：经典方法通常在更大规模实例上测试（可达200×200网格和1000+智能体），而学习方法主要针对10-100个智能体。我们建立了评估指标、环境类型和基线选择的完整分类体系，强调标准化基准测试协议的必要性。最后，我们展望了未来研究方向，包括考虑博弈论的混合动机MAPF、基于大语言模型的自然语言规划，以及融合经典方法严谨性与深度学习灵活性的神经求解器架构。本综述既可作为研究人员的综合参考，也能为日益复杂的现实应用部署MAPF解决方案提供实践指南。