核心概念
マルチエージェントパス探索(MAPF)では、様々なアルゴリズムが提案されており、それぞれに長所がある。特定のシナリオに最適なアルゴリズムを選択することが重要な課題である。
要約
本論文では、最適化アルゴリズムと亜最適アルゴリズムを含む一般的なMAPFソルバーを対象に、実行時間と解の質のトレードオフを扱う最適化目的と学習タスクを提案する。
実験により、最適化目的とメトリクス、学習タスクの間には相関があり、同じ損失関数を使うことが適切でない場合があることを示す。
特徴量の前処理方法が重要であり、標準的なコンピュータビジョンモデルが特殊なアーキテクチャよりも優れていることを示す。
アルゴリズム選択のためには、最適化目的に応じて適切な学習タスクを設計することが重要であり、単一の学習モデルでは様々な目的に対応できないことを議論する。
統計
与えられた時間制限内に解を見つけられないソルバーの実行時間は5倍の時間制限、コストは5倍の最小コストとする。
最適化目的1: score(a) = time'a + w * cost'a
最適化目的2: min time_a s.t. cost_a <= bound * cost_min