ePH-MAPF fornece um pipeline eficiente para calcular rotas sem colisão para dezenas a centenas de agentes em mapas baseados em grade. Utiliza heurísticas priorizadas, técnicas de busca incremental e métricas de custo personalizáveis (Manhattan, Euclidiana) para equilibrar velocidade e qualidade da solução. Usuários podem escolher entre diferentes funções heurísticas, integrar a biblioteca a sistemas de robótica baseados em Python e testar o desempenho em cenários padrão de MAPF. A base de código é modular e bem documentada, permitindo que pesquisadores e desenvolvedores a extendam para obstáculos dinâmicos ou ambientes especializados.
Recursos Principais do ePH-MAPF
Heurísticas priorizadas eficientes
Múltiplas funções heurísticas
Planejamento incremental de rotas
Prevenção de colisões
Escalável para centenas de agentes
Implementação modular em Python
Exemplos de integração com ROS
Prós e Contras do ePH-MAPF
Contras
Nenhuma informação explícita sobre custos ou modelo de preços é fornecida.
Informações limitadas sobre implantação no mundo real ou problemas de escalabilidade fora de ambientes simulados.
Prós
Melhora a coordenação multi-agentes através de aprimoramentos seletivos de comunicação.
Resolve conflitos e impasses de forma eficaz usando decisões baseadas em valores Q priorizados.
Combina políticas neurais com orientação especializada de agente único para navegação robusta.
Usa um método em ensemble para amostrar as melhores soluções entre múltiplos solucionadores, aumentando o desempenho.
Código aberto disponível facilitando a reprodutibilidade e pesquisas futuras.
O módulo Java Action Linearprogram fornece uma ação especializada para a estrutura LightJason que permite aos agentes modelar e resolver tarefas de otimização linear. Os usuários podem configurar coeficientes de objetivo, adicionar restrições de igualdade e desigualdade, selecionar métodos de solução e executar o solucionador dentro do ciclo de raciocínio de um agente. Uma vez executada, a ação retorna os valores ótimos das variáveis e a pontuação do objetivo, que os agentes podem usar para planejamento ou execução subsequente. Este componente plug-and-play abstrai a complexidade do solucionador enquanto mantém controle total sobre as definições do problema por meio de interfaces Java.