CADENCE：预测超出代价总和的实际MAPF执行时间

CADENCE: Predicting Realized MAPF Execution Time Beyond Sum of Costs

多智能体路径规划（MAPF）算法越来越多地被用于规划工业仓库和机器人共享工作空间中机器人团队的运动，但标准的MAPF算法评估指标（如总成本、完工时间和规划器运行时间）可能掩盖规划器选择如何转化为实际执行性能。我们提出CADENCE（面向网络化连续执行的协调与行动驱动评估）方法，通过在一个固定7×7工作单元中对七台差速驱动机器人进行硬件研究，探究执行前可用的哪些特征能最佳预测最终时钟完成时间。我们比较了总成本、规划总行驶成本、原始运动负担（计划所需的基本运动量，如完工时间、转向、连续移动和启停转换）以及交互感知协调结构（计划引发的机器人间协调程度，如依赖关系链接、交互机器人对、依赖深度和拥挤暴露）。为验证这一点，我们在15个场景（5个空场景、5个中等随机场景和5个瓶颈场景）中生成120个规划，并对每个规划执行四次，构建包含480次试验的硬件语料库。通过场景留出岭回归模型和试验级混合效应模型，我们发现仅依赖总成本虽有一定信息量但并不完整，而原始运动负担带来的改进最为显著，相对于仅使用总成本的模型，平均绝对误差降低约48.6%-59.8%，均方根误差降低44.2%-61.4%。交互感知协调特征带来的增益较小且不统一，在混合效应分析中最为明显。综合两种模型及不确定性检验，原始运动负担是除总成本之外最可靠的附加信号，这表明大部分执行时间差距在机器人开始运动前的离线规划中已可见。