不确定地图下的信念感知多智能体路径规划

多智能体路径规划（MAPF）旨在为共享环境中的多个智能体寻找无碰撞路径。经典的 MAPF 假设所有静态障碍物均已预先知晓，但现实环境可能因物体坠落、液体洒漏或其他局部扰动而发生意外变化。当此类变化在空间上具有关联性时，一处观测可以为观测位置之外区域的可通行性估计提供信息。以往方法通过条件计划或基于直接观测的重新规划来应对可通行性不确定性，但未能利用这种空间依赖关系来推断附近未观测位置的可通行性。因此，它们无法利用一次观测来预判附近可能导致后续高昂绕行代价的未观测障碍物。我们研究信念感知 MAPF：地图差异在执行过程中保持不变，但初始时未知，且观测结果可能为观测位置之外的区域提供信息。我们提出用于协调的多智能体高斯信念推断（MAGIC），这是一个根据智能体观测结果在线更新共享可通行性信念的框架。MAGIC 使用高斯马尔可夫随机场和高斯信念传播来近似推断可通行性，并为标准 MAPF 规划器构建考虑绕行的代价。在 MAPF 基准数据集上的实验表明，与现有方法相比，MAGIC 在 96.3% 的实例上降低了执行总成本；实验涵盖多个规划器系列以及最多由 800 个智能体组成的团队，证明了其适用于大规模 MAPF 问题。