Координация команды мобильных роботов, которые одновременно движутся и выполняют задачи в общей среде (например, колёсные роботы на складе, беспилотные автомобили на парковке и т.д.), является сложной задачей с множеством вариантов постановок и формализаций. Одна из наиболее распространённых формализаций – поиск совокупности неконфликтных путей на графе (MAPF, от англ. Multi-Agent Pathfinding) – открывает простор для разработки различных методов и алгоритмов, в том числе обладающих строгими теоретическими гарантиями. Так известны методы, основанные на эвристическом поиске, позволяющие получать оптимальные или ограниченно-субоптимальные решения. Алгоритмы, основанные на правилах, не предоставляют гарантий на качество решений, но на практике обладают высоким быстродействием и эффективностью. Тем не менее, большинство современных поисковых и правил-ориентированных решателей MAPF по своей сути предполагают, что многоагентная система управляется централизованно, и адаптировать их к реальным ограничениям (например, частичная наблюдаемость, ограниченная связь) непросто. Именно здесь на сцену могут выйти подходы, основанные на машинном обучении, и преодолеть ограничения традиционных методов планирования. В докладе рассматривается, как эвристический поиск может быть интегрирован с машинным обучением (например, глубокое обучение с подкреплением, имитационное обучение, трансформеры, крупномасштабное обучение) для создания нового поколения (децентрализованных) решателей MAPF.
Яковлев, К. С. Многоагентный поиск пути: алгоритмические и обучающиеся решатели // XI Международная конференция по интерактивной коллаборативной робототехнике (ICR 2026), 17-20 августа 2026 г., Владивосток, Россия.