AO-ARC：几乎确信渐近最优的多机器人运动规划方法（基于ARC）

AO-ARC是一种全新的多机器人运动规划（MRMP）方法，由James D. Motes等人提出，旨在解决多机器人系统在复杂环境中的路径规划问题。该方法在保证初始解速度的同时，能够随着机器人数量增加而更快、更可靠地收敛到最优解，克服了现有任意时间MRMP方法的局限。

AO-ARC的核心创新在于将AO-x元算法应用于ARC（自适应解耦与耦合）方法。AO-x是一种将可行性求解器转换为任意时间算法的通用框架，它通过在有成本上界的MRMP实例上迭代调用求解器，并保持不同分解之间的成本边界一致，从而逐步提高解的质量。ARC本身是一种自适应的解耦与耦合方法，能够根据问题复杂度动态调整机器人之间的耦合程度。AO-ARC巧妙地将两者结合，在每次迭代中调用ARC求解一个由makespan成本度量的有界实例，从而在充分利用ARC自适应特性的同时，保证AO-x所需的成本边界一致性。

理论分析方面，作者证明了AO-ARC具有几乎确信（almost-surely）的渐近最优性，这意味着随着运行时间的增加，解几乎必然收敛到全局最优。这一性质确保了算法在足够长时间运行后的解质量。

在实验中，作者在多种2D场景（不同协调复杂度）和一个3D机械臂场景上评估了AO-ARC的性能。结果表明，AO-ARC的初始解时间与当前最先进的MRMP可行性求解器（例如仅寻找可行解而不考虑最优性的方法）相当，但在后续的收敛过程中，AO-ARC比现有的任意时间MRMP方法更快、更稳定。特别是在机器人数量较多时，AO-ARC的优势更加明显。

这一工作对多机器人系统的实时运动规划具有重要意义，尤其是在需要快速响应且逐步优化路径的应用场景中，如仓库物流、自动驾驶车队和协作制造。AO-ARC为实际部署提供了理论保证和实证支持，有望推动MRMP算法在实际系统中的应用。