研究提出Goal-Branching LaCAM路径规划算法
Start here
2026年11月6日，arXiv人工智能领域发布研究，提出Goal-Branching LaCAM算法。该算法通过将临时目标作为搜索分支，旨在化解高密度多智能体路径规划中的死锁问题并保持算法完备性。在单元格占用率达60%至90%的密集地图测试中，该算法求解率达到89%，高于LaCAM*的44%；首次求解速度提升10至14倍，在75%密度下中位耗时快近200倍。同时，在MovingAI基准测试上，该方法的代价不高于LaCAM*，且速度至多慢3%。
AI-generated from reports · Updated 4 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 人工智能Goal-Branching LaCAM：在高密度多智能体路径规划中将临时目标作为搜索分支
研究提出 Goal-Branching LaCAM 算法，通过将临时目标作为搜索分支化解高密度多智能体路径规划的死锁。在单元格占用率 60-90% 的密集地图中，该算法求解率达 89%（LaCAM* 为 44%），首次求解快 10-14x，并在 75% 密度下中位耗时快近 200x。该方法保持完备性，在 MovingAI 基准上代价不高于 LaCAM* 且速度至多慢 3%。
Story heat trend
Current heat 9·Comparable peak 10（Nov 6 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.