场景：多车，走最顶层轨道方格，立方仓，多车共同取货。
单车路径规划算法选择
常用的最短路径规划算法是Dijkstra、A*、D*算法。
Dijkstra算法效率低，D*是对A*的优化版本，减少计算量，区别在于D*以终点为搜索开始点，适合环境变化的场景。优化在于，障碍物变更，可以利用之前的部分计算结果，离终点越远，需要重新计算的计算量越小。由于项目场景最高是100*100的方格，A*已经足够，而且A*的路径更为优化，所以最终选择使用A*算法。
多车运动实现方法
多车运动需要考虑的问题是如何不卡死，问题类似于死锁，容易想到的算法是银行家算法、优先级；每量车将要走下一步之前预判是否完成任务，如果不能，停止分配新空间。使用这个方法可以避免绝大多数情况的多车互卡的问题。只是有两个问题：1.少数情况卡死；2.效率低，远处的阻塞也会带来小车等待
问题1是因为多车运动场景和死锁的场景不同，无论如何小车都会占用一定的空间，所以如果互邻的车想走向对方位置，会发生互卡，为了避免卡死，选择卡死时间过长会产生随机运动的策略避免问题。
多车运动路径规划最优解
多车运动涉及到多辆小车的互相影响，阻塞等情况。如何寻找最优解。
理论上最优解只有两种可能，第一种是公式，直接算出，第二种是穷举法。
多车运动，是复杂场景，没有公式直接算出。是需要根据当时情况随时会变化。而每辆车，每一秒运动轨迹是（上、下、左、右、不动、取货/放置）六种可能的状态。假设完成一个任务可能需要10秒，假如总共5辆车，以一秒为时间单位，需要穷举的可能性是6的5次方的10次方，也就是8*10的38次方，远远超过计算机运算能力，故最优解无法实现。
当前人类面对最优解不存在，又不想陷入局部最优，所选择的方法原理都一致：使用随机数。例如：蚁群算法、退火算法、粒子算法、遗传算法还有AlphaGo使用的蒙特卡洛随机树，本质都是加入一定的随机数。所以为了避免多车运动陷入局部最优卡死，必须引入随机数。
引入随机数带来效率问题
引入随机数会导致小车很容易发生随机运动，重复来回移动，影响效率。
为了增加效率又不能陷入卡死困境，所以引入程序逻辑，尽量避免随机运动：1.通过随机数加权（类似蒙特利尔随机树），同一任务走过的路，随机比重更低，有其他车路径的路，随机比重更低；2.通过程序逻辑设计，优先采取预设定会车策略，例如两车相向行驶，互相阻塞前进道路，先辆车左旋尝试避让，失败了右旋避让……预设策略都失败了，再使用随机防卡死设计。
交通阻塞问题-时间片
多车同时走，由于算法一致，容易发生都走一条路问题，为了避免交通拥堵，对每个方格做时间片设计，在a*算法时，对不同方向做一定的加权，拥堵路段权重更低，同时对走直线进行直线加速，走直线权重更高。