Multi-goal multi-agent pickup and delivery using reinforcement learning

In recent years much emphasis has been placed in methods that can be used by mobile agents that have to move to complete tasks assigned to them while cooperating so that they do not collide with each other in a common environment. To resolve this problem, called Multi Agent Path Finding, many typologies of methods have been proposed, some rely on planning, others on learning, and even on a hybrid implementation of the two. We propose a hybrid approach in a generalized context called as Multi Goal Multi Agent Pickup and Delivery, where the agents are given a series of locations that they must visit to complete their current task, and after the current task is complete a new one is assigned. Our method starts from an already existing one, called Follower, that works in the context of Lifelong Multi Agent Path Finding, that we decided to adapt to our case study.

Negli ultimi anni è stata messa molta enfasi sullo studio di metodi per permettere ad agenti mobili che devono completare dei compiti che gli sono stati assegnati mentre cooperano in modo tale da non collidere tra loro in un ambiente comune. Per risolvere questo problema, noto come Multi Agent Path Finding, sono state proposte molte tipologie di metodi, alcuni si basano su pianificazione, altri sul machine learning e altri ancora su un approccio ibrido tra i due. In questa tesi proponiamo un approccio ibrido per risolvere un problema più generale, noto come Multi Goal Multi Agent Pickup and Delivery, dove agli agenti sono date una serie di posizioni da visitare per completare il proprio compito e, dopo averlo completato un nuov compito gli viene asseganto. Il nostro metodo parte da un algoritmo già noto, chiamato Follower, che risolve un problema simile nel contesto di Lifelong Multi Agent Path Finding, che abbiamo deciso di adattare al nostro caso.