agv op• Datenarten: image2d → table
• Aufruf: import fullseye as fs; fs.ledger.mapf_ecbs(grid, starts, goals, w=1.2, max_nodes=50000, horizon=None) (die Implementierung direkt: import agvfleet; agvfleet.mapf_ecbs(grid, starts, goals, w=1.2, max_nodes=50000, horizon=None); aus dem Register: opsdrive.get("mapf_ecbs"))
CBS mit fokaler Suche auf der oberen Ebene (gleiche Idee wie die obere Ebene von ECBS, Barer et al. 2014). Die Gesamtkosten liegen innerhalb des w-Fachen des Optimums.
Die minimalen Gesamtkosten LB unter den offenen Knoten sind höchstens das Optimum (die optimale Lösung liegt unter irgendeinem Knoten). Daher wird unter den Knoten mit コスト ≤ w · LB (Fokusmenge) derjenige mit den wenigsten Konflikten expandiert. Der zurückgegebene Plan erfüllt cost ≤ w · LB ≤ w · 最適 (Gate). Die Rückgabe ist das dict von mapf_cbs plus lower_bound und w. Wo das optimale CBS in engen Gängen stecken bleibt, weil es alle gleich langen Paare von Ausweichreihenfolgen prüft, entkommt dies durch Ausrichtung auf die Seite mit weniger Konflikten.
• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).
• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.
• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.
• poc_agv_fleet — py -3.11 examples/poc_agv_fleet.py
table als Eingabe)course_layout · course_occupancy · course_contains · world_build · world_camera · world_move · lidar_scan · rss_longitudinal_same
agv)warehouse_grid · grid_distances · mapf_cbs · mapf_joint_astar · mapf_prioritized · plan_conflicts · plan_cost · adg_build
*Provenance: agvfleet.py — DRIVE Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.