場景：多車，走最頂層軌道方格，立方倉，多車共同取貨。
單車路徑規劃演算法選擇
常用的最短路徑規劃演算法是Dijkstra、A*、D*演算法。
Dijkstra演算法效率低，D*是對A*的優化版本，減少計算量，區別在於D*以終點為搜尋開始點，適合環境變化的場景。優化在於，障礙物變更，可以利用之前的部分計算結果，離終點越遠，需要重新計算的計算量越小。由於專案場景最高是100*100的方格，A*已經足夠，而且A*的路徑更為優化，所以最終選擇使用A*演算法。
多車運動實現方法
多車運動需要考慮的問題是如何不卡死，問題類似於死鎖，容易想到的演算法是銀行家演算法、優先順序；每量車將要走下一步之前預判是否完成任務，如果不能，停止分配新空間。使用這個方法可以避免絕大多數情況的多車互卡的問題。只是有兩個問題：1.少數情況卡死；2.效率低，遠處的阻塞也會帶來小車等待
問題1是因為多車運動場景和死鎖的場景不同，無論如何小車都會佔用一定的空間，所以如果互鄰的車想走向對方位置，會發生互卡，為了避免卡死，選擇卡死時間過長會產生隨機運動的策略避免問題。
多車運動路徑規劃最優解
多車運動涉及到多輛小車的互相影響，阻塞等情況。如何尋找最優解。
理論上最優解只有兩種可能，第一種是公式，直接算出，第二種是窮舉法。
多車運動，是複雜場景，沒有公式直接算出。是需要根據當時情況隨時會變化。而每輛車，每一秒運動軌跡是（上、下、左、右、不動、取貨/放置）六種可能的狀態。假設完成一個任務可能需要10秒，假如總共5輛車，以一秒為時間單位，需要窮舉的可能性是6的5次方的10次方，也就是8*10的38次方，遠遠超過計算機運算能力，故最優解無法實現。
當前人類面對最優解不存在，又不想陷入區域性最優，所選擇的方法原理都一致：使用隨機數。例如：蟻群演算法、退火演算法、粒子演算法、遺傳演算法還有AlphaGo使用的蒙特卡洛隨機樹，本質都是加入一定的隨機數。所以為了避免多車運動陷入區域性最優卡死，必須引入隨機數。
引入隨機數帶來效率問題
引入隨機數會導致小車很容易發生隨機運動，重複來回移動，影響效率。
為了增加效率又不能陷入卡死困境，所以引入程式邏輯，儘量避免隨機運動：1.通過隨機數加權（類似蒙特利爾隨機樹），同一任務走過的路，隨機比重更低，有其他車路徑的路，隨機比重更低；2.通過程式邏輯設計，優先採取預設定會車策略，例如兩車相向行駛，互相阻塞前進道路，先輛車左旋嘗試避讓，失敗了右旋避讓……預設策略都失敗了，再使用隨機防卡死設計。
交通阻塞問題-時間片
多車同時走，由於演算法一致，容易發生都走一條路問題，為了避免交通擁堵，對每個方格做時間片設計，在a*演算法時，對不同方向做一定的加權，擁堵路段權重更低，同時對走直線進行直線加速，走直線權重更高。