Large Neighborhood Search pro multi-agentní hledání cest

Abstract

Tato práce se zabývá multi-agentním hledáním cest, kde je cílem nalézt bezkolizní trajektorie pro roboty pohybující se na mřížkové mapě. V práci uvádím možné přístupy a do hloubky zkoumám tzv. Large Neighborhood Search (LNS). LNS najde suboptimální řešení a iterativně jej zlepšuje opakovaným rozbitím části řešení a jejím následným spravením pomocí operátorů rozbití a oprava. Využívá algoritmus prioritizované plánování, který plánuje cesty postupně, přičemž již naplánované agenty považuje za dynamické překážky, v kombinaci s algoritmem Safe Interval Path Planning (SIPP), který provádí prohledávání podobné A* algoritmu, ale v doméně časových intervalů. V této práci je SIPP vylepšen použitím více heuristik spolu s prořezáváním uzlů, což zvyšuje efektivitu i kvalitu řešení. Také je navržena suboptimální verze, Bounded Suboptimal SIPP, která dosahuje ještě lepší kvality řešení díky obětování optimality jednotlivých agentů. Dále v práci prezentuji nový destroy operátor, který konverguje k optimu rychleji než operátory převzaté z literatury, a zkoumám suboptimální repair operátory. Implementoval jsem také nový řešič založený na uvedených algoritmech, který přináší 2-3násobné zrychlení oproti rozšířenému řešiči MAPF-LNS2 díky efektivnější implementaci. Také jsem vytvořil vizualizační nástroj, který pomáhá algoritmům lépe porozumět.This thesis addresses the Multi-agent Path Finding problem, where the aim is to find collision-free trajectories for robots navigating on a grid map. A thorough overview of possible approaches is presented and one of them, the Large Neighborhood Search (LNS), is explored in detail. LNS finds a suboptimal solution and iteratively improves it by discarding and replanning parts of it using destroy and repair operators. It uses the Prioritized Planning (PP) algorithm, which plans agents sequentially while treating previously planned agents as dynamic obstacles, combined with the Safe Interval Path Planning algorithm (SIPP), which performs an A*-like search in the domain of time intervals. This thesis introduces multiple heuristics into SIPP along with node pruning techniques that increase its efficiency and solution quality. Its suboptimal variant, Bounded Suboptimal SIPP, which achieves even better solution quality by sacrificing single-agent optimality, is also presented. I also propose a novel destroy operator with faster convergence than existing operators and experiment with suboptimal repair operators. A novel solver based on LNS, PP and SIPP, which introduces 2-3-fold implementation-based speed-up compared to a state-of-the-art solver MAPF-LNS2, is presented along with a visualization tool that provides valuable insight into the algorithms.