論文の概要: Improving Cooperation in Collaborative Embodied AI

• arxiv url: http://arxiv.org/abs/2510.03153v1
• Date: Fri, 03 Oct 2025 16:25:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.482679
• Title: Improving Cooperation in Collaborative Embodied AI
• Title（参考訳）: 協調型体操AIの協調性向上
• Authors: Hima Jacob Leven Suprabha, Laxmi Nag Laxminarayan Nagesh, Ajith Nair, Alvin Reuben Amal Selvaster, Ayan Khan, Raghuram Damarla, Sanju Hannah Samuel, Sreenithi Saravana Perumal, Titouan Puech, Venkataramireddy Marella, Vishal Sonar, Alessandro Suglia, Oliver Lemon,
• Abstract要約: 大規模言語モデルのマルチエージェントシステムへの統合は、AIエージェントとの協調推論と協調のための新たな可能性を開いた。 本稿では, エージェントの協調行動と意思決定の促進効果について検討し, その効果を検証した。 我々は音声機能を統合することで研究を拡張し、シームレスな音声ベースの対話を可能にする。
• 参考スコア（独自算出の注目度）: 31.991962631895657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of Large Language Models (LLMs) into multiagent systems has opened new possibilities for collaborative reasoning and cooperation with AI agents. This paper explores different prompting methods and evaluates their effectiveness in enhancing agent collaborative behaviour and decision-making. We enhance CoELA, a framework designed for building Collaborative Embodied Agents that leverage LLMs for multi-agent communication, reasoning, and task coordination in shared virtual spaces. Through systematic experimentation, we examine different LLMs and prompt engineering strategies to identify optimised combinations that maximise collaboration performance. Furthermore, we extend our research by integrating speech capabilities, enabling seamless collaborative voice-based interactions. Our findings highlight the effectiveness of prompt optimisation in enhancing collaborative agent performance; for example, our best combination improved the efficiency of the system running with Gemma3 by 22% compared to the original CoELA system. In addition, the speech integration provides a more engaging user interface for iterative system development and demonstrations.
• Abstract（参考訳）: 大規模言語モデル(LLM)のマルチエージェントシステムへの統合は、AIエージェントとの協調推論と協調のための新たな可能性を開いた。 本稿では, エージェントの協調行動と意思決定の促進効果について検討し, その効果を検証した。 共有仮想空間におけるマルチエージェント通信, 推論, タスクコーディネートにLLMを利用する協調身体エージェントを構築するためのフレームワークであるCoELAを強化する。 組織的な実験を通じて、異なるLLMを調べ、コラボレーション性能を最大化する最適化された組み合わせを特定するためのエンジニアリング戦略を促す。 さらに、音声機能の統合により研究を拡大し、シームレスな音声ベースの対話を可能にする。 この結果から,協調エージェントの性能向上における迅速な最適化の有効性が示唆された。例えば,従来のCoELAシステムと比較して,Gemma3を用いたシステムの効率を22%向上した。 さらに、音声統合は、反復的なシステム開発とデモのためのより魅力的なユーザーインターフェイスを提供する。

関連論文リスト

• OSC: Cognitive Orchestration through Dynamic Knowledge Alignment in Multi-Agent LLM Collaboration [13.032459988986068]
  OSC(Orchestrating Cognitive Synergy)は、知識を意識したアダプティブコラボレーションフレームワークである。 これは、大きな言語モデルを持つマルチエージェントシステムにおける認知シナジーを高める。
  論文  参考訳（メタデータ） (2025-09-05T07:44:05Z)
• Enhancing Multi-Agent Collaboration with Attention-Based Actor-Critic Policies [0.0]
  Team-Attention-Actor-Critic (TAAC)は、協調環境におけるマルチエージェントコラボレーションを強化するために設計された学習アルゴリズムである。 シミュレーションサッカー環境におけるTAACをベンチマークアルゴリズムを用いて評価する。
  論文  参考訳（メタデータ） (2025-07-30T15:48:38Z)
• Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
  マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。 経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。 推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
  論文  参考訳（メタデータ） (2025-05-29T07:24:37Z)
• Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
  分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。 動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
  論文  参考訳（メタデータ） (2024-03-11T09:21:11Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors [93.38830440346783]
  本稿では,その構成をより高機能なシステムとして協調的に調整できるマルチエージェントフレームワークを提案する。 実験により,フレームワークが単一エージェントより優れたマルチエージェントグループを効果的に展開できることが実証された。 これらの振舞いの観点から、我々は、ポジティブなものを活用し、ネガティブなものを緩和し、マルチエージェントグループの協調可能性を改善するためのいくつかの戦略について議論する。
  論文  参考訳（メタデータ） (2023-08-21T16:47:11Z)
• Building Cooperative Embodied Agents Modularly with Large Language Models [104.57849816689559]
  本研究では, 分散制御, 生の知覚観察, コストのかかるコミュニケーション, 様々な実施環境下でインスタンス化された多目的タスクといった課題に対処する。 我々は,LLMの常識知識,推論能力,言語理解,テキスト生成能力を活用し,認知に触発されたモジュラーフレームワークにシームレスに組み込む。 C-WAH と TDW-MAT を用いた実験により, GPT-4 で駆動される CoELA が, 強い計画に基づく手法を超越し, 創発的な効果的なコミュニケーションを示すことを示した。
  論文  参考訳（メタデータ） (2023-07-05T17:59:27Z)
• Emergent cooperation through mutual information maximization [0.0]
  協調型マルチエージェントシステムの設計のための分散型深層強化学習アルゴリズムを提案する。 このアルゴリズムは、高度に相関した行動が協調システムの特徴であるという仮説に基づいている。 エージェント間の相互情報の相互作用は、社会的ジレンマにおける協調の出現を促進すると結論付けている。
  論文  参考訳（メタデータ） (2020-06-21T11:15:55Z)

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。