MAGIC 用空间信念与绕行代价改进未知地图多智能体路径规划

在初始地图存在空间相关未知障碍且执行中保持不变的多智能体路径规划中，能否利用局部观测的空间相关性推断未观测位置的可通行性，从而降低实际执行总代价？

经典 MAPF 假设所有静态障碍在规划前已知，但真实仓库等环境可能因掉落物体、泄漏、临时封闭等出现空间相关的局部变化。现有方法要么通过随未来观测分支的应急计划处理不确定性，计算代价随不确定性增长而快速增加；要么只对直接观测到的未知区域重规划，没有利用空间相关性推断附近未观测位置，因而无法在一次观测后提前避开可能引起后续绕行的隐藏障碍。

此前 MAPF under obstacle uncertainty (MAPF-OU) 构建依赖未来观测的分支计划，但不确定性增大时计算代价过高；MAPF with imperfect maps (MAPF-IM) 交错规划与执行，只在直接观测修正假设后重规划，不能从一次观测推断相邻未观测位置的状态。此外还有单智能体不确定图规划、引导图权重优化、部分可观测 MDP 等方法，但它们要么只针对单智能体，要么不编码环境可通行性不确定性，要么不适用于大规模多智能体碰撞消解。

MAGIC 将未知位置可通行性建模为 GMRF 上的潜在分数，并用伯努利 probit 似然，通过高斯信念传播 (GaBP) 在线融合智能体局部观测，更新未观测位置的遍历概率。随后把位置信念转换为边级可通行性估计，取边两端较小者；对每条与未知位置相连的边计算删除该边后的最短绕行距离，并用公式 c_t(e)=b_hat(e)*1+(1-b_hat(e))*C_det(e) 得到边代价，让规划器在单位代价与可能绕行代价之间权衡。MAGIC 与 CBS、EECBS、PBS、PIBT、PIBT+、LaCAM 等标准 MAPF 规划器兼容，在每次新观测时更新信念、图、绕行和代价并重规划。

在标准 MAPF 基准的小、中、大、超大四个规模层级上评估，默认参数为 φ=0.20、ρ=0.30、R=3。与 MAPF-IM 相比，MAGIC 在小、中、大三层级上 96.3% 的实例中执行 SoC 更低；所有 15 个 MAGIC 配置相对 optimistic replanning 的平均 SoC 比率都低于 1。以全信息最优为参考，φ=0.30 时 optimistic replanning 高出 9.4%，MAGIC 高出 3.6%，MAPF-IM 高出 14.9%；ρ 最大时 MAGIC 高出 2.7%，optimistic replanning 高出 6.7%，MAPF-IM 高出 12.4%。在 n=800 且使用 PIBT+ 时，MAGIC 与 optimistic replanning 均保持 100% 成功率，平均 SoC 比率为 0.995。成功率方面，MAGIC 因额外的 GaBP 推理和计算开销在部分设置下低于 optimistic replanning，例如小规模 CBS 成功率为 88.8% 对 91.2%。先验对齐实验中，对齐先验比反转先验降低执行 SoC 3.40%，成功率从 88.5% 升至 90.9%。真机演示为两个 TurtleBot，论文未报告量化指标。

作者指出未来工作将扩展到终身任务和执行中可通行性会变化的环境，说明当前方法限于一次性任务和静态隐藏障碍。其他局限包括：假设局部感知无噪声、所有智能体即时共享观测、采用集中式规划；GaBP 在含环图上的方差估计可能近似；先验模型需要指定空间耦合参数和先验均值；MAGIC 的额外推理和重规划开销会在某些困难实例上降低成功率；真机实验仅有两个 TurtleBot 的定性演示，未报告量化性能；论文未报告代码是否开源以及训练或推理的具体算力成本。