CADENCE 用硬件实验预测 MAPF 实际执行时间

2026年11月10日，arXiv Robotics 刊出 Abhishek Seetharamu 等作者的 CADENCE（Coordination and Action-Driven Estimation for Networked Continuous Execution）研究，针对多智能体路径规划（MAPF）中“代价总和”与实际执行时间之间的评估差距，提出在固定 7×7 工作单元、7 台差速驱动机器人上开展硬件研究，检验哪些执行前可获得的特征最能预测最终的实际完成时间。报道称，研究在 15 个场景（5 个空场景、5 个中等随机场景、5 个瓶颈场景）中生成 120 份计划，每份计划执行 4 次，构建了 480 次试验的硬件语料。目前公开信息仅涉及该研究的实验设置与语料规模，尚未见后续报道给出预测结果或与其他方法的对比结论。

AI 根据报道生成 · 59 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。