arXiv cs.AI· Zhanjiang Yang, Yueming Li, Yang Shen, Meng Li, Lijun Sun·· 9 天前AI 评分26
MAPF-World：面向多智能体路径规划的动作世界模型
MAPF-World: Action World Model for Multi-Agent Path Finding
AI 导读
MAPF-World 是一个面向多智能体路径规划（MAPF）的自回归动作世界模型，统一了短时局部未来预测与动作生成，使决策不再局限于即时局部观测。它通过预测下一局部观测和邻近智能体的动作意图建模短时局部动态，并引入融合空间感知与智能体语义的 spatio-agent 位置编码。实验显示其在不同地图类型和交互设置下优于现有学习型求解器，具备稳健的零样本泛化能力，在智能体密度升高时仍保持高成功率。
正文 · AI 翻译
摘要：多智能体路径规划（MAPF）研究的是为多个智能体规划从给定起点到指定目标的无冲突路径的问题，其应用包括机器人辅助物流和社会导航。近期去中心化学习型求解器在大规模 MAPF 上展现出潜力，尤其是在利用基础模型和大型数据集时。然而，大多数现有方法依赖反应式策略，往往导致高智能体密度环境中的拥堵、死锁和泛化能力下降。为解决这些局限，我们提出 MAPF-World，一种用于 MAPF 的自回归动作世界模型，它统一了短时域局部未来预测与动作生成，使决策能够超越即时的局部观测。MAPF-World 通过预测下一局部观测和邻近智能体的动作意图来建模短时域局部动态，同时捕捉空间结构和时间交互模式。我们进一步引入空间-智能体位置编码，在基于 Transformer 的架构中将空间感知与智能体级语义相结合，促进更协调的多智能体行为。此外，我们通过引入基于真实城市布局的自动化地图生成器来增强现有 MAPF 基准，旨在缩小合成仿真与实际部署场景之间的差距。在多种地图类型和交互设置下的大量实验表明，与现有学习型求解器相比，MAPF-World 取得了强劲的性能。值得注意的是，它展现出稳健的零样本泛化能力，并且即使智能体密度增加也能保持高成功率。
| 主题： | 人工智能（cs.AI）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2508.12087 [cs.AI] |
| （或本版本使用 arXiv:2508.12087v3 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2508.12087 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Zhanjiang Yang [查看邮箱]
[v1]
2025年8月16日星期六 15:50:26 UTC（4,215 KB）
[v2]
2025年9月7日星期日 04:05:16 UTC（3,825 KB）
[v3]
2026年10月8日星期四 03:29:23 UTC（2,379 KB）
来源：arXiv cs.AI · arxiv.org