CTS-MAPF 和 MG-MAPF

本文创建了两个数据集CTS-MAPF和MG-MAPF。CTS-MAPF是一个多智能体协作任务序列与路径查找问题，智能体必须在规划无冲突路径的同时，按照特定的顺序访问一系列中间任务位置。MG-MAPF是CTS-MAPF的一个变种，其中的智能体没有指定的目的地。这两个数据集用于测试CTS-CBS算法的有效性，包含多个任务位置和智能体起点、终点的配置，以及智能体需要遵循的约束条件。This paper proposes two datasets, CTS-MAPF and MG-MAPF. CTS-MAPF targets a multi-agent collaborative task sequence and pathfinding problem, where agents are required to generate collision-free paths while visiting a series of intermediate task positions in a specified order. MG-MAPF is a variant of CTS-MAPF, in which agents have no designated destinations. These two datasets are designed to validate the effectiveness of the CTS-CBS algorithm, and include configurations of multiple task positions, start and end points of agents, as well as constraint conditions that agents must adhere to.

搜集汇总

数据集介绍

构建方式

CTS-MAPF和MG-MAPF数据集的构建基于多智能体路径规划（MAPF）的扩展问题，即协作任务排序多智能体路径规划（CTS-MAPF）。该数据集通过模拟真实场景中的多智能体任务序列和路径规划需求，采用冲突基搜索（CBS）框架进行构建。具体而言，数据集的生成过程包括定义智能体的起始点、目标点及中间任务点，并通过算法确保路径的无碰撞性和任务序列的最优性。数据集中的每个实例均包含智能体的路径规划和任务排序信息，以支持复杂环境下的多智能体协作研究。

使用方法

CTS-MAPF和MG-MAPF数据集的使用方法主要包括加载数据集实例、解析智能体任务和路径信息，并通过算法进行任务序列和路径规划的优化。用户可通过数据集提供的接口访问智能体的起始点、目标点、任务点及其依赖关系，进而应用如CTS-CBS等算法进行求解。数据集还支持参数调整，如子最优边界ω，以平衡解决方案的质量和效率。此外，数据集可用于验证算法在真实机器人场景中的适用性，如通过物理机器人测试验证路径规划的有效性。

背景与挑战

背景概述

CTS-MAPF和MG-MAPF数据集是由清华大学车辆与运载学院的Junkai Jiang、Ruochen Li、Yibin Yang、Yihe Chen、Yuning Wang、Shaobing Xu和Jianqiang Wang等研究人员于2025年提出的，旨在解决多智能体路径规划（MAPF）中的一个泛化问题，即协作任务排序-多智能体路径规划（CTS-MAPF）问题。该问题要求智能体在规划无碰撞路径的同时，按照特定顺序访问一系列中间任务位置，最终到达目的地。CTS-MAPF问题在危险环境监测、无人超市等多个领域具有广泛应用。该数据集的提出为多智能体协作任务排序和路径规划的研究提供了重要的基准测试平台。

当前挑战

CTS-MAPF数据集面临的挑战主要包括两个方面：1) 领域问题的挑战：CTS-MAPF问题需要同时解决任务排序和路径规划两个NP难问题，既要找到最优的任务访问顺序，又要规划无碰撞路径，这对算法的效率和最优性提出了极高要求。2) 构建过程的挑战：由于缺乏公开的CTS-MAPF基准数据集，研究人员需要从现有的MAPF基准数据集中进行适配和改造，这涉及到智能体起始点、目标任务点以及中间任务点的合理配置，同时还要确保生成的数据集能够全面反映问题的复杂性。此外，在算法验证阶段，如何设计有效的评估指标来衡量算法在任务排序和路径规划两方面的性能也是一个重要挑战。

常用场景

经典使用场景

CTS-MAPF和MG-MAPF数据集在协作任务排序与多智能体路径规划领域具有广泛的应用。这些数据集主要用于评估算法在多智能体环境中规划无碰撞路径并按照特定顺序访问一系列任务点的能力。经典使用场景包括危险环境监测和无人超市货物分拣，其中智能体需要在复杂环境中协作完成任务序列。

解决学术问题

CTS-MAPF和MG-MAPF数据集解决了多智能体路径规划中的两个关键学术问题：任务排序与路径规划的集成优化，以及多智能体协作中的冲突消解。通过提供标准化的测试场景，这些数据集使得研究者能够系统评估算法在保证路径无碰撞的同时优化任务序列的能力，填补了传统MAPF问题在任务序列优化方面的研究空白。

实际应用

在实际应用中，CTS-MAPF和MG-MAPF数据集可直接支持仓储物流机器人调度、智能交通系统优化等场景。例如在自动化仓库中，多台搬运机器人需要高效访问不同货架并避免碰撞；在智能交通领域，自动驾驶车辆需要规划包含多个检查点的最优路径。数据集提供的基准测试能有效验证算法在真实场景中的适用性。

数据集最近研究

最新研究方向

近年来，CTS-MAPF和MG-MAPF数据集在协作任务排序与多智能体路径规划领域引起了广泛关注。随着智能仓储、无人配送和危险环境监测等应用场景的快速发展，如何在复杂环境中实现多智能体的高效协同成为研究热点。CTS-MAPF数据集通过引入中间任务点的访问顺序约束，扩展了传统多智能体路径规划问题的边界，为研究任务排序与路径规划的联合优化提供了重要平台。当前前沿研究主要聚焦于冲突消解算法的优化、动态环境适应性增强以及计算效率提升等方向。特别是基于冲突搜索的改进算法（如CTS-CBS）通过双层搜索结构和理论完备性保证，在解决复杂任务序列规划问题时展现出显著优势。该数据集的相关研究不仅推动了多智能体系统协同能力的理论突破，也为自动驾驶车队调度、物流机器人集群等实际应用提供了关键技术支撑。

相关研究论文

• CTS-CBS: A New Approach for Multi-Agent Collaborative Task Sequencing and Path Finding

  清华大学车辆与交通学院 · 2025年