自制地图规划技术包括地址转换和自动路径规划。通过高德API获取中文地址的经纬度，并使用Python的TSP库进行动态路径排序。

本研究提出了一种去中心化算法PRISM，旨在解决多任务多智能体的路径规划问题。PRISM通过快速通信共享运动约束信息，增强了合作路径规划能力，显著提高了计算效率并解决了死锁问题。

本研究提出了一种基于人工智能的热界面材料涂覆路径规划方法，利用人工神经网络生成高效的涂覆路径，无需标签，适用于自动化制造设备，具备实时预测能力和广泛应用潜力。

本研究评估了六种大型语言模型在路径规划算法中的代码生成能力，发现生成的代码存在严重安全风险，需严格测试以确保其可靠性。

本研究提出ATLASv2系统，旨在解决边缘设备自主系统的资源限制和实时处理需求，通过结合TinyLLM、物体检测和路径规划，实现高效的多任务导航，测试结果显示成功率高。

本研究提出了一种随时PIBT方法，以解决现有PIBT在多智能体路径规划中因贪婪策略导致方案质量差的问题。该方法能够快速找到解决方案并持续改进，最终收敛至最优解。

本研究提出CREStE方法，解决长距离无地图导航问题，使机器人在新环境中无需高精度地图。该方法利用互联网规模数据训练的视觉模型，学习环境特征，并通过反事实损失和主动学习进行路径规划，显著提高导航效果，减少70%人为干预。

本研究探讨了无人地面车辆的全球路径规划，旨在提高自主采矿机器人ROMIE的效率。首次结合强化学习与谷歌OR-工具，结果显示Q-Learning策略表现最佳，平均偏差仅为1.2%。

本研究提出了SkyRover，一个模块化模拟器，支持无人机和自动导引车的多代理路径规划，具备真实动力学和可配置的3D环境，实验结果表明其路径规划高效且精确。

本研究提出了一种新框架，将她夫理论应用于去中心化深度强化学习，以提高多智能体路径规划中的合作效率。实验结果表明，该方法在复杂场景下优于现有技术。

本研究提出了一种新颖的三维路径规划方法，针对自主水下航行器在复杂环境中的能耗、控制和导航问题，整合局部尾流与全球水流，能耗降低最多11.3%。

本研究提出了一种新方法BRULE，解决机器人导航中因地标消失导致的定位不准确问题。该方法通过使用高斯混合模型替代未来位置的信念，有效提高了路径规划质量，并在模拟和实际实验中表现优异。

本文提出了一种新框架，解决有限通信范围下的多智能体路径规划问题。通过动态选择领先智能体，成功率超过90%，可处理多达25个智能体的复杂任务。

本研究提出了一种松散同步的多智能体路径规划方法，克服了现有算法假设动作同步的局限性。该方法在处理多达1000个智能体时，显著提高了解决方案质量与可扩展性，处理能力比基线算法高出一个数量级，总时间仅延长约25%。

本文研究多智能体路径规划（MAPF）问题，提出了多种优化算法和解决方案，包括基于图嵌入的MAPF算法、分布式蒙特卡罗树搜索方法以及处理通信约束的精确算法。研究表明，这些方法在效率和性能上优于现有技术，尤其在特定网络结构下表现突出。