グラフアテンション誘導探索による高密度マルチエージェント経路計画

- 密な multi-agent pathfinding (MAPF) 問題を対象に、学習ベースの heuristic と探索ベースの planner を統合したハイブリッド枠組み LaGAT を提案する研究。 - MAGAT（graph attention を用いた neural MAPF policy）から得た learned heuristic を、探索アルゴリズム LaCAM に組み込む。 - 密なシナリオで near-optimal 解をリアルタイムに近づけることを狙う。

- 従来の learning-guided search は MAPF で性能が振るわなかったのに対し、LaGAT は密なシナリオで純粋な探索手法・純粋な学習手法の双方を上回る。 - 単なる学習 heuristic の組み込みではなく、MAGAT の拡張、対象マップでの pre-train-then-fine-tune、deadlock detection を組み合わせる点が差分。 - 密で tightly coupled な多エージェント調整問題に対する hybrid search の有効性を示す。

- MAGAT を拡張した neural MAPF policy から learned heuristic を生成し、LaCAM の探索に組み込む hybrid framework。 - 対象マップ上で pre-train-then-fine-tune する戦略を採用。 - 不完全な neural guidance に対処するため deadlock detection scheme を導入。 - 詳細なアーキテクチャや統合方法の具体は要旨からは不明。

- 密なシナリオにおいて、純粋な search-based 手法および純粋な learning-based 手法との比較で LaGAT が優位であることを示す。 - 具体的なベンチマーク名・指標・実験設定は要旨からは不明。

- 慎重に設計すれば hybrid search が tightly coupled で困難な多エージェント調整問題に強力な解になり得ると主張。 - neural guidance の不完全性を deadlock detection で補う必要性に言及。 - 限界や失敗ケース、計算コストなどの詳細な議論は要旨からは不明。

- MAGAT（graph attention を用いた neural MAPF policy） - LaCAM（探索ベースの MAPF planner） - 従来の learning-guided search に関する MAPF 研究 - 純粋な search-based MAPF planner および learning-based MAPF 手法（具体名は要旨からは不明）