Scalable Multi-Agent Pathfinding in Large Environments

Abstract

Multi-agent pathfinding (MAPF) involves navigating multiple agents in a shared environment while avoiding collisions. Finding an optimal solution that minimizes the total path length is computationally expensive, making scalability a challenge. This thesis investigates a scalable MAPF approach that initially navigates each agent independently, only invoking an optimal solver on localized areas when collisions are imminent. It then evaluates the solver's effectiveness across various maps and agent densities.

Multiagentní plánování cest (MAPF z anglického multi-agent pathfinding) se zabývá bezkolizní navigací více agentů ve sdíleném prostředí. Nalezení optimálního řešení, které minimalizuje celkovou délku cesty, je výpočetně náročné, což činí škálovatelnost výzvou. Tato práce zkoumá škálovatelný přístup k MAPF, který nejprve naviguje každého agenta nezávisle a pouze v případě hrozící kolize používá optimální řešič v lokalizovaných oblastech. Následně hodnotí účinnost tohoto řešiče na různých mapách a při různých hustotách agentů.