提出Goal-Branching改进LaCAM求解密集MAPF

Stephen Chang 与 Daniel Harabor 发表论文，提出 Goal-Branching 方法：为 LaCAM 多智能体路径规划求解器中的阻塞智能体设置临时目标，作为搜索的额外分支，并证明任意选目标规则下完整性保持不变。 实验结果显示，在三类迷宫和房间地图上占据 60–90% 可用格子的密集场景中，Goal-Branching 求解了 89% 的实例，而 LaCAM* 仅 44%；两者都能解的实例上解成本增加 15–22%。在开放地图和完整 MovingAI 基准上，其解成本不高于 LaCAM*，速度最多慢 3%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。