AO-ARC：幾乎確信漸近最優的多機器人運動規劃方法（基於ARC）
一種新的多機器人運動規劃方法AO-ARC，能夠在與最先進的可行性求解器相當的初始求解時間內，隨着機器人數量增加實現更快、更可靠的收斂。該方法通過迭代調用ARC對有限實例進行求解，適應AO-x元算法，並證明了漸近最優性。
AO-ARC是一種全新的多機器人運動規劃（MRMP）方法，由James D. Motes等人提出，旨在解決多機器人系統在複雜環境中的路徑規劃問題。該方法在保證初始解速度的同時，能夠隨着機器人數量增加而更快、更可靠地收斂到最優解，克服了現有任意時間MRMP方法的侷限。
AO-ARC的核心創新在於將AO-x元算法應用於ARC（自適應解耦與耦合）方法。AO-x是一種將可行性求解器轉換為任意時間算法的通用框架，它通過在有成本上界的MRMP實例上迭代調用求解器，並保持不同分解之間的成本邊界一致，從而逐步提高解的質量。ARC本身是一種自適應的解耦與耦合方法，能夠根據問題複雜度動態調整機器人之間的耦合程度。AO-ARC巧妙地將兩者結合，在每次迭代中調用ARC求解一個由makespan成本度量的有界實例，從而在充分利用ARC自適應特性的同時，保證AO-x所需的成本邊界一致性。
理論分析方面，作者證明了AO-ARC具有幾乎確信（almost-surely）的漸近最優性，這意味着隨着運行時間的增加，解幾乎必然收斂到全局最優。這一性質確保了算法在足夠長時間運行後的解質量。
在實驗中，作者在多種2D場景（不同協調複雜度）和一個3D機械臂場景上評估了AO-ARC的性能。結果表明，AO-ARC的初始解時間與當前最先進的MRMP可行性求解器（例如僅尋找可行解而不考慮最優性的方法）相當，但在後續的收斂過程中，AO-ARC比現有的任意時間MRMP方法更快、更穩定。特別是在機器人數量較多時，AO-ARC的優勢更加明顯。
這一工作對多機器人系統的實時運動規劃具有重要意義，尤其是在需要快速響應且逐步優化路徑的應用場景中，如倉庫物流、自動駕駛車隊和協作製造。AO-ARC為實際部署提供了理論保證和實證支持，有望推動MRMP算法在實際系統中的應用。