論文の概要: Multi-Agent Coordination across Diverse Applications: A Survey
- arxiv url: http://arxiv.org/abs/2502.14743v1
- Date: Thu, 20 Feb 2025 17:12:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 17:44:00.210607
- Title: Multi-Agent Coordination across Diverse Applications: A Survey
- Title（参考訳）: 分散アプリケーションにおけるマルチエージェントコーディネーション:サーベイ
- Authors: Lijun Sun, Yijun Yang, Qiqi Duan, Yuhui Shi, Chao Lyu, Yu-Cheng Chang, Chin-Teng Lin, Yang Shen,
- Abstract要約: 多様なマルチエージェントシステム(MAS)のトレンド拡散を可能にする基盤機構に関する研究
本調査は,4つの基本的な調整質問に答える統一的な理解を通じて,アプリケーション全体での協調研究の現状を概説する。
- 参考スコア（独自算出の注目度）: 48.80487202140282
- License:
- Abstract: Multi-agent coordination studies the underlying mechanism enabling the trending spread of diverse multi-agent systems (MAS) and has received increasing attention, driven by the expansion of emerging applications and rapid AI advances. This survey outlines the current state of coordination research across applications through a unified understanding that answers four fundamental coordination questions: (1) what is coordination; (2) why coordination; (3) who to coordinate with; and (4) how to coordinate. Our purpose is to explore existing ideas and expertise in coordination and their connections across diverse applications, while identifying and highlighting emerging and promising research directions. First, general coordination problems that are essential to varied applications are identified and analyzed. Second, a number of MAS applications are surveyed, ranging from widely studied domains, e.g., search and rescue, warehouse automation and logistics, and transportation systems, to emerging fields including humanoid and anthropomorphic robots, satellite systems, and large language models (LLMs). Finally, open challenges about the scalability, heterogeneity, and learning mechanisms of MAS are analyzed and discussed. In particular, we identify the hybridization of hierarchical and decentralized coordination, human-MAS coordination, and LLM-based MAS as promising future directions.
- Abstract（参考訳）: マルチエージェントコーディネートは、多様なマルチエージェントシステム(MAS)のトレンド展開を可能にする基盤メカニズムについて研究し、新興アプリケーションの拡大とAIの急速な進歩によって、注目を集めている。
本調査では,(1)協調とは何か,(2)協調とは何か,(3)協調の相手は誰か,(4)協調の方法という,基本的な4つの疑問に答える統一的な理解を通じて,アプリケーション全体での協調研究の現状を概説する。
我々の目的は、新しくて有望な研究方向性を特定し、強調しながら、様々なアプリケーションにまたがる協調と相互接続における既存のアイデアと専門知識を探求することである。
まず、様々なアプリケーションに不可欠な一般的な調整問題を同定し分析する。
第2に、広く研究されているドメイン(例えば、捜索・救助、倉庫の自動化・物流、輸送システム)から、ヒューマノイドや人型ロボット、衛星システム、大型言語モデル(LLM)を含む新興分野まで、多数のMASアプリケーションが調査されている。
最後に、MASのスケーラビリティ、不均一性、学習メカニズムに関するオープンな課題を分析し、議論する。
特に,階層的・分散的コーディネーション,人間-MASコーディネーション,LLMベースのMASのハイブリッド化を将来的な方向性として認識する。
関連論文リスト
- Communication Learning in Multi-Agent Systems from Graph Modeling Perspective [62.13508281188895]
本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。
本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
論文 参考訳（メタデータ） (2024-11-01T05:56:51Z) - Hierarchical Consensus-Based Multi-Agent Reinforcement Learning for Multi-Robot Cooperation Tasks [17.914928652949314]
階層型合意に基づくマルチエージェント強化学習(HC-MARL)フレームワークを導入し,その限界に対処する。
HC-MARLは、エージェント間のグローバルコンセンサスを促進するために対照的な学習を採用し、直接のコミュニケーションなしに協調行動を可能にする。
様々なタスクの動的な要求を満たすために、コンセンサスを複数の層に分割し、短期的および長期的考慮を包含する。
論文 参考訳（メタデータ） (2024-07-11T03:55:55Z) - Learning Multi-Agent Communication from Graph Modeling Perspective [62.13508281188895]
本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。
提案手法であるCommFormerは,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドで並列に洗練する。
論文 参考訳（メタデータ） (2024-05-14T12:40:25Z) - A Survey of Neural Code Intelligence: Paradigms, Advances and Beyond [84.95530356322621]
この調査は、コードインテリジェンスの発展に関する体系的なレビューを示す。
50以上の代表モデルとその変種、20以上のタスクのカテゴリ、および680以上の関連する広範な研究をカバーしている。
発達軌道の考察に基づいて、コードインテリジェンスとより広範なマシンインテリジェンスとの間の新たな相乗効果について検討する。
論文 参考訳（メタデータ） (2024-03-21T08:54:56Z) - A Review of Cooperation in Multi-agent Learning [5.334450724000142]
マルチエージェント学習(MAL)における協調は、多くの分野の共通点におけるトピックである。
本稿では,マルチエージェント学習の基本概念,問題設定,アルゴリズムについて概説する。
論文 参考訳（メタデータ） (2023-12-08T16:42:15Z) - Understanding the Application of Utility Theory in Robotics and
Artificial Intelligence: A Survey [5.168741399695988]
このユーティリティは、経済学、ゲーム理論、およびオペレーション研究において、ロボティクスとAI分野においても統一された概念である。
本稿では,エージェントのインタラクション間の相互関係を記述し,評価するためのユーティリティ指向の要求パラダイムを提案する。
論文 参考訳（メタデータ） (2023-06-15T18:55:48Z) - Foundations and Recent Trends in Multimodal Machine Learning:
Principles, Challenges, and Open Questions [68.6358773622615]
本稿では,マルチモーダル機械学習の計算的基礎と理論的基礎について概説する。
本稿では,表現,アライメント,推論,生成,伝達,定量化という,6つの技術課題の分類法を提案する。
最近の技術的成果は、この分類のレンズを通して示され、研究者は新しいアプローチの類似点と相違点を理解することができる。
論文 参考訳（メタデータ） (2022-09-07T19:21:19Z) - Learning to Advise and Learning from Advice in Cooperative Multi-Agent
Reinforcement Learning [10.691232629333413]
マルチエージェント強化学習(MARL)を改善するため,LALA(Learning toAdvise and Learning from Advice)を提案する。
アドバイザは、タスク指向の目的関数を備えた双対時間畳み込みニューラルネットワークを用いて、空間的および時間的領域の意思決定情報とコーディネート決定を集約することを学ぶ。
実験結果から,学習効率と調整能力の両面で,LALAがベースラインアプローチよりも優れていることが示唆された。
論文 参考訳（メタデータ） (2022-05-23T09:56:12Z) - Compositional Attention: Disentangling Search and Retrieval [66.7108739597771]
Multi-head, key-value attention は Transformer モデルとそのバリエーションのバックボーンである。
標準的なアテンションヘッドは、検索と検索の間の厳密なマッピングを学ぶ。
本稿では,標準ヘッド構造を置き換える新しいアテンション機構であるコンポジションアテンションアテンションを提案する。
論文 参考訳（メタデータ） (2021-10-18T15:47:38Z) - Multiagent Deep Reinforcement Learning: Challenges and Directions
Towards Human-Like Approaches [0.0]
本稿では,最も一般的なマルチエージェント問題表現とその主な課題について述べる。
これらの課題に対処する5つの研究領域を特定します。
我々は,マルチエージェント強化学習が成功するためには,これらの課題を学際的アプローチで解決することを提案する。
論文 参考訳（メタデータ） (2021-06-29T19:53:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。