Resumen: El hallazgo de ruta múltiple (MAPF) es el problema de planificar rutas libres de conflictos desde las ubicaciones de inicio designadas hasta las posiciones de objetivos para múltiples agentes. Subyace a una variedad de tareas del mundo real, incluida la coordinación de múltiples robots, la logística asistida por robot y la navegación social. Los recientes solucionadores de aprendizaje descentralizados han mostrado una gran promesa para MAPF a gran escala, especialmente al aprovechar modelos de base y grandes conjuntos de datos. Sin embargo, estos agentes son modelos de políticas reactivas y exhiben un modelado limitado de la dinámica temporal ambiental y las dependencias entre agentes, lo que resulta en la degradación del rendimiento en escenarios de planificación complejos a largo plazo. Para abordar estas limitaciones, proponemos MAPF-World, un modelo mundial de acción autorregresivo para MAPF que unifica la comprensión de la situación y la generación de acciones, guiando decisiones más allá de las observaciones locales inmediatas. Mejora la conciencia situacional modelando explícitamente la dinámica ambiental, incluidas las características espaciales y las dependencias temporales, a través de la predicción futura del estado y las acciones. Al incorporar estos futuros pronosticados, MAPF-World permite una toma de decisiones más informada, coordinada y con visión de futuro, especialmente en entornos complejos de múltiples agentes. Además, aumentamos los puntos de referencia MAPF introduciendo un generador de mapas automático basado en escenarios del mundo real, capturando diseños prácticos de mapas para capacitar y evaluar solucionadores MAPF. Experimentos extensos demuestran que MAPF-World supera a los solucionadores aprendizables de última generación, que muestra una generalización superior de disparo cero a casos fuera de distribución. En particular, MAPF-World está entrenado con un tamaño de modelo 96.5% más pequeño y 92% de datos reducidos.
Publicado Originalme en export.arxiv.org El 18 de agosto de 2025.
Ver Fuente Original
