Connected multi-agent path finding : how robots get away with texting and driving - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Connected multi-agent path finding : how robots get away with texting and driving

Recherche de chemin multi-agents connectés : comment les robots téléphonent au volant en toute impunité

Résumé

Path planning is the task of devising a sequence steps for a mobile entity to follow. This task is required at the center of numerous real-world problems. The study of autonomous planning can allow one to reduce congestion, pollution, accidents, costs and more. In some applications, it is important to consider the connectivity of the agents. Although some settings guarantee a permanent connectivity among entities (e.g. warehouses), this is not always true in applications with open environments. Another aspect that can be found in many applications is the lack of complete knowledge of the area in which the entities move. For instance, in exploration missions, the agents are not provided any information of the environment and must discover it by themselves. Recent works on the planning of entities have been focused on the planning of collision-free executions. This problem, called Multi-Agent Path Finding (MAPF), is to find a sequence of steps for a group of agents to reach specified targets while avoiding collisions. The contribution of this work is twofold. First, we present a framework to study and model connectivity-based multi-agent path planning problems. We provide a detailed initial work on the complexity of this framework and an optimal algorithm to solve it. Second, we extend our connectivity framework to the incomplete knowledge setting and show the complexity of the connected and decentralized computation of plans under partially known environments.
La planification de chemin consiste à concevoir une séquence d'étapes à suivre pour une entité mobile. Cette tâche est au coeur de nombreux problèmes du monde réel. L'étude de la planification autonome peut permettre de réduire la congestion, la pollution, les accidents, les coûts et plus encore. Dans certaines applications, il est important de considérer la connectivité des agents. Bien que certaines configurations garantissent une connectivité permanente entre les entités (ex: entrepôts), ce n'est pas toujours le cas dans les applications avec des environnements ouverts. Un autre aspect que l'on retrouve dans de nombreuses applications est le manque de la connaissance complète de la zone dans laquelle les entités se déplacent. Par exemple, dans les missions d'exploration, les agents ne reçoivent aucune information sur l'environnement et doivent le découvrir par eux-mêmes. Les travaux récents sur la planification des entités se sont concentrés sur la planification d'exécutions sans collision. Ce problème, appelé Multi-Agent Path Finding (MAPF), consiste à trouver une séquence d'étapes pour qu'un groupe d'agents atteigne des cibles spécifiées tout en évitant les collisions. La contribution de ce travail est double. Tout d'abord, nous présentons un cadre pour étudier et modéliser les problèmes de planification de chemins multi-agents basés sur la connectivité. Nous fournissons un travail initial détaillé sur la complexité de ce cadre et un algorithme optimal pour le résoudre. Deuxièmement, nous étendons notre cadre de connectivité au cadre de connaissance incomplète et montrons la complexité du calcul connecté et décentralisé des plans dans des environnements partiellement connus.
Fichier principal
Vignette du fichier
QUEFFELEC_Arthur.pdf (1.28 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03683308 , version 1 (07-01-2022)
tel-03683308 , version 2 (31-05-2022)

Identifiants

  • HAL Id : tel-03683308 , version 2

Citer

Arthur Queffelec. Connected multi-agent path finding : how robots get away with texting and driving. Artificial Intelligence [cs.AI]. Université Rennes 1, 2021. English. ⟨NNT : 2021REN1S108⟩. ⟨tel-03683308v2⟩
127 Consultations
244 Téléchargements

Partager

Gmail Facebook X LinkedIn More