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

摘要

随着智慧医院与医疗物流自动化进程的加速，基于多智能体系统的服务机器人正逐步承担起药品配送、样本转运、器械回收及环境消杀等关键任务。传统多智能体路径规划（Multi-Agent Path Finding， MAPF）方法的核心目标在于实现智能体“无碰撞地抵达各自目标”，其典型算法如冲突基搜索（Conflict-Based Search， CBS）及其改进版本ECBS、EECBS等，优化目标多集中于路径总成本（Sum of Costs）或完工时间（Makespan）。然而，此类范式难以直接适配医疗场景中复杂的时空耦合、任务依赖以及共享资源（如电梯、门禁）调度等核心约束。

近年来，协同式多智能体路径规划（Cooperative MAPF， Co-MAPF）作为一种新兴范式被提出，旨在形式化并解决“协同任务执行”与“动态避碰”的联合优化问题。例如，Greshler等人提出的Co-CBS算法框架，成功将协同规划模块嵌入经典CBS架构，为多机器人协同作业提供了新思路。本综述面向医院室内复杂环境，系统性地梳理了从经典MAPF到Co-MAPF的理论演进与技术谱系。文章重点剖析了CBS、ECBS/EECBS以及连续时间MAPF（CCBS）等核心算法在医疗物流、手术器械流转及多楼层导航场景中的适配性挑战与改造潜力。

结合真实的医院机器人车队实地研究与多楼层图路径规划实践，本文提出了一套面向医疗场景的Co-MAPF协同需求建模方法论。该方法涵盖了对电梯/门禁等共享资源的时空