第四章 基于 Python 开源生态的工程实现框架
理论研究最终需落地为可运行的代码。本章以 Python 开源社区现有资源为基础，勾勒出一条实现医疗 Co-MAPF 系统的清晰工程化路径，涵盖框架选型、核心模块扩展、可视化验证等环节。
4.1 基础框架评估与总体集成架构
完全从零实现一个鲁棒的 Co-MAPF 求解器工程浩大。更可行的策略是基于成熟的 MAPF 开源库进行扩展。以下是两个优秀的起点：
msaudulhassan/mapf：该项目提供了清晰、模块化的 CBS、优先级规划（Prioritized Planning）和时空 A*的实现。其代码结构易于理解，非常适合作为学习底层机制和进行轻量级扩展的基础。atb033/multi_agent_path_planning：该项目功能更为丰富，实现了 CBS、SIPP 以及基于速度障碍法（VO）的分布式规划。其显著优势是原生支持了连续时间规划（SIPP），并且提供了完善的 YAML 场景输入/输出和可视化工具，更接近一个完整的实验原型系统。
推荐选择：对于旨在快速构建原型、尤其关注动态连续时间场景的研究者，推荐优先采用 atb033/multi_agent_path_planning。该库原生支持连续时间规划（SIPP），并提供了完善的 YAML 场景输入输出及可视化工具，更接近完整的实验原型系统。在工程落地阶段，可将上述求解器封装为微服务，通过 RESTful API 与医疗调度系统交互，确保实时性与鲁棒性。
