論文の概要: Decentralized Multi-Agent Goal Assignment for Path Planning using Large Language Models

• arxiv url: http://arxiv.org/abs/2510.23824v1
• Date: Mon, 27 Oct 2025 20:05:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.505343
• Title: Decentralized Multi-Agent Goal Assignment for Path Planning using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた経路計画のための分散マルチエージェントゴールアサインメント
• Authors: Murad Ismayilov, Edwin Meriaux, Shuo Wen, Gregory Dudek,
• Abstract要約: 本研究は,マルチエージェントパス計画における分散型ゴール割り当ての問題に対処する。 エージェントは、環境の構造的表現に基づいて、目標よりもランク付けされた選好を独立に生成する。 完全に観測可能なグリッドワールド設定において,greedys,Optimal assignment,および大規模言語モデル(LLM)ベースのエージェントを比較した。
• 参考スコア（独自算出の注目度）: 7.94408712915778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coordinating multiple autonomous agents in shared environments under decentralized conditions is a long-standing challenge in robotics and artificial intelligence. This work addresses the problem of decentralized goal assignment for multi-agent path planning, where agents independently generate ranked preferences over goals based on structured representations of the environment, including grid visualizations and scenario data. After this reasoning phase, agents exchange their goal rankings, and assignments are determined by a fixed, deterministic conflict-resolution rule (e.g., agent index ordering), without negotiation or iterative coordination. We systematically compare greedy heuristics, optimal assignment, and large language model (LLM)-based agents in fully observable grid-world settings. Our results show that LLM-based agents, when provided with well-designed prompts and relevant quantitative information, can achieve near-optimal makespans and consistently outperform traditional heuristics. These findings underscore the potential of language models for decentralized goal assignment in multi-agent path planning and highlight the importance of information structure in such systems.
• Abstract（参考訳）: 分散環境で共有環境で複数の自律エージェントをコーディネートすることは、ロボット工学と人工知能における長年の課題である。 エージェントはグリッドの可視化やシナリオデータを含む環境の構造化された表現に基づいて目標よりもランク付けされた優先順位を独立に生成する。 この推論フェーズの後、エージェントは目標ランキングを交換し、交渉や反復的な調整なしに、決定論的コンフリクト解決規則(例えばエージェントインデックスの順序付け)によって割り当てを決定する。 我々は,強欲なヒューリスティックス,最適代入,大規模言語モデル(LLM)に基づくエージェントを,完全に観測可能なグリッドワールド設定で体系的に比較する。 以上の結果から, LLMをベースとしたエージェントは, 適切に設計されたプロンプトと関連する定量的情報を備えると, ほぼ最適メイスパンを達成でき, 従来のヒューリスティックスより一貫して優れていたことが示唆された。 これらの知見は,多エージェントパス計画における分散目標割当のための言語モデルの可能性を明らかにし,そのようなシステムにおける情報構造の重要性を強調する。

関連論文リスト

• Model Specific Task Similarity for Vision Language Model Selection via Layer Conductance [92.72779885657373]
  本稿では,視覚エンコーダの内部関数力学におけるモデル選択の基盤となるフレームワークを提案する。 提案手法は,各タスクをレイヤワイドコンダクタンスにより表現し,エントロピー正規化アライメントによる目標条件付きブロック重要度分布を導出する。 そこで本研究では,DCD(Directional Conductance Divergence)という,ソースタスクが対象の機能ブロックをいかに効果的にカバーするかを定量化する非対称な指標を提案する。
  論文  参考訳（メタデータ） (2026-02-01T17:29:43Z)
• From Intents to Actions: Agentic AI in Autonomous Networks [2.442771585706931]
  この研究は、意図駆動型自律ネットワークのためのエージェントAIシステムを導入し、3つの専門エージェントで構成されている。 言語モデルを利用したインタプリタエージェントは、フィードバック、制約実現可能性、ネットワーク条件の進化に基づく意図の語彙解析を行う。 エージェントはこれらの認知テンプレートをトラクタブルな最適化問題に変換し、トレードオフを分析し、目的物間での好みを導出する。
  論文  参考訳（メタデータ） (2026-02-01T15:01:57Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• SANet: A Semantic-aware Agentic AI Networking Framework for Cross-layer Optimization in 6G [41.93544556074424]
  Agentic AI Network(AgentNet)は、多数の専門的AIエージェントが協力して自律的な意思決定、動的環境適応、複雑なミッションを実行する、新しいAIネイティブネットワーキングパラダイムである。 本稿では,ユーザのセマンティックな目標を推測し,ネットワークの異なるレイヤに関連付けられたエージェントを自動アサインして推定目標を達成する,無線ネットワークのための新しいセマンティック・アウェア・エージェントネットアーキテクチャであるSANetを提案する。 AgentNetは、一般的に協力するエージェントが異なる、さらには矛盾する目的を持つ分散化フレームワークであるという事実に動機付けられ、我々は、SANetの分散最適化をマルチエージェントマルチエージェントとして定式化する。
  論文  参考訳（メタデータ） (2025-12-27T12:42:47Z)
• CREW-WILDFIRE: Benchmarking Agentic Multi-Agent Collaborations at Scale [4.464959191643012]
  我々は、次世代マルチエージェントエージェントAIフレームワークを評価するために設計されたオープンソースのベンチマークであるCREW-Wildfireを紹介する。 CREW-Wildfireは、大きな地図、異種エージェント、部分観測可能性、ダイナミックス、長期計画目的を含む手続き的に生成された山火事対応シナリオを提供する。 我々は、最先端のLLMベースのマルチエージェントエージェントAIフレームワークの実装と評価を行い、重要なパフォーマンスギャップを明らかにした。
  論文  参考訳（メタデータ） (2025-07-07T16:33:42Z)
• Benchmarking LLMs' Swarm intelligence [51.648605206159125]
  大規模言語モデル(LLM)は複雑な推論の可能性を秘めているが、マルチエージェントシステム(MAS)における創発的協調の能力はほとんど探索されていない。 分散エージェントとして機能するLDMのタスクを体系的に評価する新しいベンチマークであるSwarmBenchを紹介する。 本稿では,協調効率の指標を提案し,創発的グループダイナミクスを解析する。
  論文  参考訳（メタデータ） (2025-05-07T12:32:01Z)
• AgentNet: Decentralized Evolutionary Coordination for LLM-based Multi-Agent Systems [22.291969093748005]
  AgentNet(エージェントネット)は、マルチエージェントシステムのための分散化された検索型生成(RAG)ベースのフレームワークである。 静的ロールや集中制御の以前のアプローチとは異なり、AgentNetはエージェントがローカルの専門知識とコンテキストに基づいて接続とタスクのルーティングを調整することができる。 実験の結果,AgentNetは単一エージェントと集中型マルチエージェントのベースラインよりも高いタスク精度を実現することがわかった。
  論文  参考訳（メタデータ） (2025-04-01T09:45:25Z)
• MultiAgentBench: Evaluating the Collaboration and Competition of LLM agents [59.825725526176655]
  大規模言語モデル(LLM)は、自律的なエージェントとして顕著な能力を示している。 既存のベンチマークでは、単一エージェントタスクにフォーカスするか、狭いドメインに限定されており、マルチエージェントのコーディネーションと競合のダイナミクスを捉えていない。 多様な対話シナリオにまたがってLLMベースのマルチエージェントシステムを評価するためのベンチマークであるMultiAgentBenchを紹介する。
  論文  参考訳（メタデータ） (2025-03-03T05:18:50Z)
• Decentralized Planning Using Probabilistic Hyperproperties [0.16777183511743468]
  一つのエージェントが環境の中でどのように機能するかを記述したMDPと、望ましい時間的目的を捉えるための確率的超越性を用いて記述する。 このことは、確率論的超正当性検証の分野において、既存の分散化された計画ツールの使用の基礎を成している。
  論文  参考訳（メタデータ） (2025-02-19T10:59:02Z)
• MASP: Scalable GNN-based Planning for Multi-Agent Navigation [18.70078556851899]
  Multi-Agent Scalable Graph-based Planner (MASP)は、ナビゲーションタスクのためのゴール条件付き階層型プランナーである。 MASPは、大規模な探索空間を複数の目標条件付き部分空間に分解することで、空間の複雑さを低減するために階層的なフレームワークを採用している。 エージェントの協力とさまざまなチームサイズへの適応のために、エージェントと目標をグラフとしてモデル化し、それらの関係をよりよく捉えます。
  論文  参考訳（メタデータ） (2023-12-05T06:05:04Z)
• Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
  我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。 提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。 シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
  論文  参考訳（メタデータ） (2020-10-06T16:51:09Z)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)

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。