論文の概要: A Comprehensive Survey on Multi-Agent Cooperative Decision-Making: Scenarios, Approaches, Challenges and Perspectives

• arxiv url: http://arxiv.org/abs/2503.13415v1
• Date: Mon, 17 Mar 2025 17:45:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:58:59.659853
• Title: A Comprehensive Survey on Multi-Agent Cooperative Decision-Making: Scenarios, Approaches, Challenges and Perspectives
• Title（参考訳）: マルチエージェント協調意思決定に関する包括的調査:シナリオ,アプローチ,課題,展望
• Authors: Weiqiang Jin, Hongyang Du, Biao Zhao, Xingwu Tian, Bohang Shi, Guang Yang,
• Abstract要約: 多エージェント協調意思決定は、複数のエージェントが協力して、確立されたタスクを完了し、特定の目的を達成する。 これらの技術は、自律運転、ドローンナビゲーション、災害救助、シミュレートされた軍事的対立といった現実のシナリオに広く応用されている。
• 参考スコア（独自算出の注目度）: 6.277211882332452
• License:
• Abstract: With the rapid development of artificial intelligence, intelligent decision-making techniques have gradually surpassed human levels in various human-machine competitions, especially in complex multi-agent cooperative task scenarios. Multi-agent cooperative decision-making involves multiple agents working together to complete established tasks and achieve specific objectives. These techniques are widely applicable in real-world scenarios such as autonomous driving, drone navigation, disaster rescue, and simulated military confrontations. This paper begins with a comprehensive survey of the leading simulation environments and platforms used for multi-agent cooperative decision-making. Specifically, we provide an in-depth analysis for these simulation environments from various perspectives, including task formats, reward allocation, and the underlying technologies employed. Subsequently, we provide a comprehensive overview of the mainstream intelligent decision-making approaches, algorithms and models for multi-agent systems (MAS). Theseapproaches can be broadly categorized into five types: rule-based (primarily fuzzy logic), game theory-based, evolutionary algorithms-based, deep multi-agent reinforcement learning (MARL)-based, and large language models(LLMs)reasoning-based. Given the significant advantages of MARL andLLMs-baseddecision-making methods over the traditional rule, game theory, and evolutionary algorithms, this paper focuses on these multi-agent methods utilizing MARL and LLMs-based techniques. We provide an in-depth discussion of these approaches, highlighting their methodology taxonomies, advantages, and drawbacks. Further, several prominent research directions in the future and potential challenges of multi-agent cooperative decision-making are also detailed.
• Abstract（参考訳）: 人工知能の急速な発展に伴い、知的意思決定技術は様々な人間と機械の競争、特に複雑な多エージェント協調作業シナリオにおいて、徐々に人間のレベルを上回りつつある。 多エージェント協調意思決定は、複数のエージェントが協力して、確立されたタスクを完了し、特定の目的を達成する。 これらの技術は、自律運転、ドローンナビゲーション、災害救助、シミュレートされた軍事的対立といった現実のシナリオに広く応用されている。 本稿では,マルチエージェント協調意思決定に使用される主要なシミュレーション環境とプラットフォームについて,総合的な調査から始める。 具体的には、タスクの形式、報酬の割り当て、そしてその基盤となる技術など、様々な観点から、これらのシミュレーション環境について詳細な分析を行う。 その後、マルチエージェントシステム(MAS)の主流となる知的意思決定アプローチ、アルゴリズム、モデルの概要を概観する。 これらのアパッチは、ルールベース(主にファジィ論理)、ゲーム理論ベース、進化アルゴリズムベース、深層マルチエージェント強化学習(MARL)ベース、大規模言語モデル(LLM)推論ベースという5つのタイプに分類される。 従来のルールやゲーム理論,進化的アルゴリズムよりも,MARL とLLMs をベースとした意思決定手法が優れていることを踏まえ,本研究では,MARL と LLMs をベースとしたこれらのマルチエージェント手法に焦点を当てる。 私たちはこれらのアプローチについて詳細な議論を行い、方法論の分類、利点、欠点を強調します。 さらに, 今後の研究の方向性や, 多エージェント共同意思決定の課題についても概説する。

関連論文リスト

• SIGMA: Sheaf-Informed Geometric Multi-Agent Pathfinding [4.801673346687721]
  MAPF(Multi-Agent Path Finding)問題は、既知の、潜在的に障害物のある環境において、複数のエージェントに対して最も短く、衝突のない経路を決定することを目的としている。 本稿では,分散化された深層強化学習にせん断理論を適用し,エージェント同士の幾何学的相互依存性を学習できるようにする新しい枠組みを提案する。 特に,ニューラルネットワークを組み込んで,せん断理論に基づく潜在空間のコンセンサスを概ねモデル化し,自己教師型学習を通じて学習する。
  論文  参考訳（メタデータ） (2025-02-10T13:17:34Z)
• Multi-Agent Collaboration Mechanisms: A Survey of LLMs [6.545098975181273]
  マルチエージェントシステム(Multi-Agent Systems、MAS)は、知的エージェントのグループによる複雑なタスクの協調と解決を可能にする。 この研究は、MASの協調的な側面に関する広範な調査を提供し、将来の研究を導くための枠組みを紹介している。
  論文  参考訳（メタデータ） (2025-01-10T19:56:50Z)
• Progressive Multimodal Reasoning via Active Retrieval [64.74746997923967]
  多段階多モーダル推論タスクは、大規模言語モデル(MLLM)に重大な課題をもたらす 本稿では,MLLMの推論能力の向上を目的とした汎用フレームワークAR-MCTSを提案する。 我々は,AR-MCTSがサンプリングの多様性と精度を最適化し,信頼性の高いマルチモーダル推論を実現することを示す。
  論文  参考訳（メタデータ） (2024-12-19T13:25:39Z)
• MALT: Improving Reasoning with Multi-Agent LLM Training [66.9481561915524]
  MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。 MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
  論文  参考訳（メタデータ） (2024-12-02T19:30:36Z)
• Exploring Multi-Agent Reinforcement Learning for Unrelated Parallel Machine Scheduling [2.3034630097498883]
  本研究は,強化学習環境を紹介し,実証分析を行う。 実験では、シングルエージェントとマルチエージェントアプローチにさまざまなディープニューラルネットワークポリシーを採用している。 シングルエージェントアルゴリズムは縮小シナリオにおいて適切に機能する一方、マルチエージェントアプローチは協調学習における課題を明らかにするが、スケーラブルな能力を示す。
  論文  参考訳（メタデータ） (2024-11-12T08:27:27Z)
• POGEMA: A Benchmark Platform for Cooperative Multi-Agent Pathfinding [76.67608003501479]
  POGEMAは、学習のための高速環境、問題インスタンスジェネレータ、可視化ツールキットを含む、総合的なツールセットである。 また、プライマリ評価指標に基づいて計算されるドメイン関連メトリクスの範囲を規定する評価プロトコルを導入し、定義する。 この比較の結果は、様々な最先端のMARL、検索ベース、ハイブリッド手法を含む。
  論文  参考訳（メタデータ） (2024-07-20T16:37:21Z)
• Meta Reasoning for Large Language Models [58.87183757029041]
  大規模言語モデル(LLM)の新規かつ効率的なシステムプロセッシング手法であるメタ推論プロンプト(MRP)を導入する。 MRPは、各タスクの特定の要求に基づいて異なる推論メソッドを動的に選択し、適用するようLLMに誘導する。 総合的なベンチマークによりMPPの有効性を評価する。
  論文  参考訳（メタデータ） (2024-06-17T16:14:11Z)
• Efficient Adaptation in Mixed-Motive Environments via Hierarchical Opponent Modeling and Planning [51.52387511006586]
  本稿では,HOP(Hierarchical Opponent Modeling and Planning)を提案する。 HOPは階層的に2つのモジュールから構成される: 相手の目標を推論し、対応する目標条件のポリシーを学ぶ、反対モデリングモジュール。 HOPは、さまざまな未確認エージェントと相互作用する際、優れた少数ショット適応能力を示し、セルフプレイのシナリオで優れている。
  論文  参考訳（メタデータ） (2024-06-12T08:48:06Z)
• Transforming Competition into Collaboration: The Revolutionary Role of Multi-Agent Systems and Language Models in Modern Organizations [0.0]
  本稿では,マルチエージェントシステム理論(SMA)と大規模言語モデル(LLM)に基づく計算エンティティがユーザインタラクションに与える影響について考察する。 提案手法では,大規模言語モデル (LLM) から発達したエージェントを用いて,行動要素を考慮したプロトタイピングを行う。 我々は,多エージェントシステム理論(SMA)と大規模言語モデル(LLM)に基づく革新的な利用に基づいて,組織戦略に有用なエージェントの開発の可能性を示す。
  論文  参考訳（メタデータ） (2024-03-12T15:56:10Z)
• Large Multimodal Agents: A Survey [78.81459893884737]
  大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。 LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。 本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-02-23T06:04:23Z)
• Developing, Evaluating and Scaling Learning Agents in Multi-Agent Environments [38.16072318606355]
  DeepMindのGame Theory & Multi-Agentチームは、マルチエージェント学習のいくつかの側面を研究している。 私たちのグループの重要な目的は、DeepMindのリソースと専門知識を深層強化学習に活用することにあります。
  論文  参考訳（メタデータ） (2022-09-22T12:28:29Z)

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。