从CBS到ECBS：多机器人路径规划中的冲突解决实战解析

想象一下，在一个自动化仓库里，五台AGV小车需要同时从货架区取货并运送到包装区。当它们的最短路径在某个转角交汇时，系统该如何协调避免碰撞？这正是多智能体路径规划（MAPF）要解决的核心问题。本文将用一个具体的网格地图案例，手把手拆解CBS（基于冲突的搜索）和其优化版本ECBS（增强型基于冲突的搜索）如何处理这类冲突。

1. 多机器人路径规划的基础挑战

在自动化仓储、无人机群控等场景中，多个智能体共享同一空间时，传统单机路径规划方法会面临三个典型问题：

• 顶点冲突：两个机器人在相同时刻到达同一网格点
• 边冲突：两个机器人在相同时刻交换位置（穿过彼此）
• 跟随冲突：一个机器人长时间尾随另一个导致效率下降

以我们设计的简化场景为例：在3x3网格中，机器人R1需要从S1移动到G1，R2从S2移动到G2，它们的初始路径规划都经过中心点C：

python复制# 初始路径规划
R1_path = ["S1", "A1", "C", "G1"]  # 耗时3步
R2_path = ["S2", "B1", "C", "G2"]  # 耗时3步

这个看似合理的方案在第2步会出现顶点冲突——两个机器人同时占据C点。下面我们看CBS如何系统化解决这个问题。

2. CBS冲突解决机制详解

2.1 冲突检测与约束生成

CBS采用双层结构处理冲突。当检测到R1和R2在第2步都到达C点时：

1. 生成约束条件：

   • 约束1：(R1, C, 2) → R1不能在第二步到达C
   • 约束2：(R2, C, 2) → R2不能在第二步到达C

2. 构建约束树(CT)：
   每个约束生成一个子节点，继承父节点所有约束并添加新约束。本例会生成两个子节点：

   节点	约束集合	路径方案	总成本
   左	(R1, C, 2)	R1新路径, R2原路径	待计算
   右