医疗AI多智能体协同路径规划（Cooperative Multi-Agent Path Finding）技术综述（下）

第四章 基于Python开源生态的工程实现框架

理论研究最终需落地为可运行的代码。本章以Python开源社区现有资源为基础，勾勒出一条实现医疗Co-MAPF系统的清晰工程化路径，涵盖框架选型、核心模块扩展、可视化验证等环节。

4.1 基础框架评估与总体集成架构

完全从零实现一个鲁棒的Co-MAPF求解器工程浩大。更可行的策略是基于成熟的MAPF开源库进行扩展。以下是两个优秀的起点：

1. msaudulhassan/mapf：该项目提供了清晰、模块化的CBS、优先级规划（Prioritized Planning）和时空A*的实现。其代码结构易于理解，非常适合作为学习底层机制和进行轻量级扩展的基础。
2. atb033/multi_agent_path_planning：该项目功能更为丰富，实现了CBS、SIPP以及基于速度障碍法（VO）的分布式规划。其显著优势是原生支持了连续时间规划（SIPP），并且提供了完善的YAML场景输入/输出和可视化工具，更接近一个完整的实验原型系统。

推荐选择：对于旨在快速构建原型、尤其关注动态连续时间场景的研究者，atb033/multi_agent_path_planning是更强大的基础。以下讨论主要基于此框架展开。

总体集成架构：
我们设计一个分层、模块化的系统架构，如图3所示，确保医疗约束、协同逻辑与底层规划器解耦。

图3：医疗Co-MAPF系统Python实现架构

+-------------------------------------------------------+ | 场景与任务配置文件 | | (YAML/JSON定义地图、机器人、医疗任务) | +-------------------------------------------------------+ | v +-------------------------------------------------------+ | 医疗约束加载与预处理模块 | | (解析配置文件，实例化MedicalConstraint对象池) | +-------------------------------------------------------+ | v +-------------------------------------------------------+ | 协同任务管理器 (CooperativeManager) | | - 维护任务依赖图 (TaskDependencyGraph) | | - 会合点优化器 (RendezvousOptimizer) | | - 资源调度器 (ResourceScheduler: Elevator, Door) | +-------------------------------------------------------+ | (生成协同约束) v +-------------------------------------------------------+ | 核心规划器 (扩展的Co-CBS求解器) | | +----------------+----------------+ | | | 高层搜索 | 底层搜索 | | | | (Co-CBS High) | (CBS Low-Level)| | | | -处理协同约束 | -扩展SIPP/A* | | | | -处理资源冲突 | -集成医疗约束检查| | | +----------------+----------------+ | +-------------------------------------------------------+ | (输出路径集合) v +-------------------------------------------------------+ | 后处理与可视化模块 | | - 路径分析 (计算各项指标) | | - 动画仿真 (PyGame) | | - 图表生成 (Matplotlib: 时间线、热力图) | +-------------------------------------------------------+

4.2 核心模块实现详解

4.2.1 扩展底层搜索以支持医疗约束

以multi_agent_path_planning中的SIPP实现为基础，我们需要修改其状态扩展逻辑，使其能感知MedicalConstraint。

# 在 sipp.py 或类似文件中扩展 State 类和扩展逻辑classMedicalAwareState(State):def__init__(self,node,g,h,interval,parent=None,constraints_checked=None):super().__init__(node,g,h,interval,parent)self.constraints_violated=[]# 记录已违反的软约束（用于代价计算）self.reservation_slots={}# 记录本路径已占用的资源槽classMedicalAwareSIPP(SIPP):def__init__(self,map_graph,agent_id,medical_constraints,resource_scheduler):super().__init__(map_graph,agent_id)self.medical_constraints=medical_constraints self.resource_scheduler=resource_schedulerdefget_successors(self,state):successors=[]# 1. 获取标准的时间区间和邻居节点（原SIPP逻辑）safe_intervals=self.get_safe_intervals(state)fornext_node,move_costinself.map_graph.get_neighbors(state.node):forintervalinsafe_intervals:# 2. 计算到达新节点的最早时间 t_arrival