GRACE: A Unified 2D Multi-Robot Path Planning Simulator & Benchmark for Grid, Roadmap, And Continuous Environments

📄 arXiv: 2603.10858v1 📥 PDF

作者: Chuanlong Zang, Anna Mannucci, Isabelle Barz, Philipp Schillinger, Florian Lier, Wolfgang Hönig

分类: cs.RO, cs.AI, cs.MA

发布日期: 2026-03-11

备注: ICRA 2026, code will be released soon

💡 一句话要点

GRACE：用于网格、路标和连续环境的统一2D多机器人路径规划模拟器与基准测试平台

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 多智能体路径规划 多机器人运动规划 模拟器 基准测试 网格环境 路标环境 连续环境

📋 核心要点

  1. 现有多智能体路径规划和多机器人运动规划工具在可比性、保真度和可扩展性方面存在局限性。
  2. GRACE通过统一的2D模拟器和基准测试，在网格、路标和连续环境中提供可复现的路径规划任务。
  3. 实验结果表明，GRACE能够对不同抽象级别的规划器进行公平比较，并量化表示保真度的权衡。

📝 摘要（中文）

为了推进多智能体路径规划(MAPF)和多机器人运动规划(MRMP)的研究，需要能够对建模选择进行透明、可复现比较的平台。现有的工具要么在简化假设（网格、同构智能体）下扩展，要么提供更高保真度但可比较的工具较少。我们提出了GRACE，一个统一的2D模拟器+基准测试平台，通过显式、可复现的算子和一个通用的评估协议，在多个抽象级别（网格、路标、连续）实例化相同的任务。我们在公共地图和代表性规划器上的经验结果能够对共享实例集进行相应的比较。此外，我们量化了预期的表示-保真度权衡（MRMP以更高的保真度但更低的速度解决实例，而网格/路标规划器可以扩展得更远）。通过整合表示、执行和评估，GRACE旨在使跨表示的研究更具可比性，并提供一种推进多机器人规划研究及其向实践转化的方法。

🔬 方法详解

问题定义：多智能体路径规划(MAPF)和多机器人运动规划(MRMP)领域缺乏一个统一的平台，能够在不同抽象级别（如网格、路标、连续环境）上进行公平、可复现的性能比较。现有工具要么过于简化（例如仅支持网格环境），要么难以进行跨平台比较，阻碍了算法的进步和实际应用。

核心思路：GRACE的核心思路是提供一个统一的2D模拟器和基准测试平台，该平台能够以可控的方式在不同的抽象级别上实例化相同的任务。通过提供显式的、可复现的算子和一个通用的评估协议，GRACE使得研究人员能够对不同类型的规划器进行公平的比较，并量化表示保真度与计算效率之间的权衡。

技术框架：GRACE包含以下主要组件：1) 环境表示模块：支持网格、路标和连续环境的表示；2) 规划器接口：允许集成各种MAPF和MRMP规划器；3) 任务生成器：能够生成具有不同难度和规模的路径规划任务；4) 模拟器：负责执行规划器的输出并模拟机器人的运动；5) 评估模块：根据预定义的指标评估规划器的性能。整个框架的设计目标是模块化和可扩展性，方便研究人员添加新的环境、规划器和评估指标。

关键创新：GRACE的关键创新在于其统一性，它将不同抽象级别的环境表示、规划器接口和评估协议整合到一个平台中。这使得研究人员能够在一个平台上比较不同类型的规划器，而无需担心环境差异带来的偏差。此外，GRACE还提供了可复现的算子，确保实验结果的可重复性。

关键设计：GRACE的关键设计包括：1) 使用统一的API来定义规划器接口，方便集成不同的规划算法；2) 提供多种预定义的评估指标，包括路径长度、执行时间、冲突次数等；3) 采用模块化的设计，方便用户自定义环境、规划器和评估指标；4) 提供详细的文档和示例代码，帮助用户快速上手。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文在公共地图和代表性规划器上进行了实验，结果表明，MRMP规划器在连续环境中能够找到更优的路径，但计算时间更长。网格和路标规划器虽然速度更快，但路径质量相对较低。GRACE能够量化这种表示保真度与计算效率之间的权衡，为研究人员选择合适的规划器提供了依据。

🎯 应用场景

GRACE可应用于仓库自动化、物流配送、智能交通、机器人编队等领域。通过GRACE，研究人员可以更方便地评估和比较不同的多机器人路径规划算法，从而推动这些算法在实际场景中的应用。此外，GRACE还可以作为教育工具，帮助学生学习和理解多机器人路径规划的基本概念和算法。

📄 摘要（原文）

Advancing Multi-Agent Pathfinding (MAPF) and Multi-Robot Motion Planning (MRMP) requires platforms that enable transparent, reproducible comparisons across modeling choices. Existing tools either scale under simplifying assumptions (grids, homogeneous agents) or offer higher fidelity with less comparable instrumentation. We present GRACE, a unified 2D simulator+benchmark that instantiates the same task at multiple abstraction levels (grid, roadmap, continuous) via explicit, reproducible operators and a common evaluation protocol. Our empirical results on public maps and representative planners enable commensurate comparisons on a shared instance set. Furthermore, we quantify the expected representation-fidelity trade-offs (MRMP solves instances at higher fidelity but lower speed, while grid/roadmap planners scale farther). By consolidating representation, execution, and evaluation, GRACE thereby aims to make cross-representation studies more comparable and provides a means to advance multi-robot planning research and its translation to practice.