論文の概要: Advances and Innovations in the Multi-Agent Robotic System (MARS) Challenge
- arxiv url: http://arxiv.org/abs/2601.18733v1
- Date: Mon, 26 Jan 2026 17:56:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:08.994055
- Title: Advances and Innovations in the Multi-Agent Robotic System (MARS) Challenge
- Title（参考訳）: マルチエージェントロボットシステム(MARS)チャレンジの進展とイノベーション
- Authors: Li Kang, Heng Zhou, Xiufeng Song, Rui Li, Bruno N. Y. Chen, Ziye Wang, Ximeng Meng, Stone Tao, Yiran Qin, Xiaohong Liu, Ruimao Zhang, Lei Bai, Yilun Du, Hao Su, Philip Torr, Zhenfei Yin, Ruihao Gong, Yejun Zeng, Fengjun Zhong, Shenghao Jin, Jinyang Guo, Xianglong Liu, Xiaojun Jia, Tianqi Shan, Wenqi Ren, Simeng Qin, Jialing Yang, Xiaoyu Ma, Tianxing Chen, Zixuan Li, Zijian Cai, Yan Qin, Yusen Qin, Qiangyu Chen, Kaixuan Wang, Zhaoming Han, Yao Mu, Ping Luo, Yuanqi Yao, Haoming Song, Jan-Nico Zaech, Fabien Despinoy, Danda Pani Paudel, Luc Van Gool,
- Abstract要約: スケーラブルで効率的で協調的なソリューションを実現するためには、マルチエージェントシステムフレームワークが不可欠になっています。
このシフトには,エージェント能力の向上,タスクデリゲートによるシステム効率の向上,高度なヒューマンエージェントインタラクションの実現という,3つの主要な要因がある。
本研究では,NurIPS 2025 Workshop on SpaVLEで開催されているマルチエージェントロボットシステム(MARS)チャレンジを提案する。
- 参考スコア（独自算出の注目度）: 170.47383225329915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in multimodal large language models and vision-languageaction models have significantly driven progress in Embodied AI. As the field transitions toward more complex task scenarios, multi-agent system frameworks are becoming essential for achieving scalable, efficient, and collaborative solutions. This shift is fueled by three primary factors: increasing agent capabilities, enhancing system efficiency through task delegation, and enabling advanced human-agent interactions. To address the challenges posed by multi-agent collaboration, we propose the Multi-Agent Robotic System (MARS) Challenge, held at the NeurIPS 2025 Workshop on SpaVLE. The competition focuses on two critical areas: planning and control, where participants explore multi-agent embodied planning using vision-language models (VLMs) to coordinate tasks and policy execution to perform robotic manipulation in dynamic environments. By evaluating solutions submitted by participants, the challenge provides valuable insights into the design and coordination of embodied multi-agent systems, contributing to the future development of advanced collaborative AI systems.
- Abstract（参考訳）: マルチモーダルな大言語モデルと視覚言語モデルにおける最近の進歩は、エンボディードAIの進歩を著しく推進している。
フィールドがより複雑なタスクシナリオへと移行するにつれて、スケーラブルで効率的で協調的なソリューションを実現するためには、マルチエージェントシステムフレームワークが不可欠になっています。
このシフトには,エージェント能力の向上,タスクデリゲートによるシステム効率の向上,高度なヒューマンエージェントインタラクションの実現という,3つの主要な要因がある。
マルチエージェントコラボレーションによってもたらされる課題に対処するため,我々は,NeurIPS 2025 Workshop on SpaVLEで開催されているマルチエージェントロボットシステム(MARS)チャレンジを提案する。
参加者は視覚言語モデル(VLM)を使用して、動的環境でロボット操作を行うためのタスクとポリシーの実行を調整する。
参加者が提出したソリューションを評価することで、この課題は、具体化されたマルチエージェントシステムの設計と調整に関する貴重な洞察を与え、高度な協調AIシステムの開発に寄与する。
関連論文リスト
- MARS: Multi-Agent Robotic System with Multimodal Large Language Models for Assistive Intelligence [0.0]
我々は,MLLMを用いた多エージェントロボットシステムMARSを紹介する。
このフレームワークは、動的屋内環境における適応的でリスクを認識し、パーソナライズされた支援を可能にする。
論文 参考訳（メタデータ） (2025-11-03T13:58:37Z) - An Outlook on the Opportunities and Challenges of Multi-Agent AI Systems [32.48561526824382]
マルチエージェントAIシステム(MAS)は、内部生成モデルに基づいて対話、情報交換、意思決定を行う複数の自律エージェントで構成されている。
本稿では,MASを解析するための形式的枠組みについて概説する。
論文 参考訳（メタデータ） (2025-05-23T22:05:19Z) - LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi Agent Systems [0.0]
本研究では,LLMに基づくマルチエージェントシステムの開発に不可欠な基礎技術について検討する。
協調的で動的な環境のためにこれらのシステムをいかに最適化するかを問うため、アーキテクチャ、メモリ、計画、技術/フレームワークの4つの重要な領域に焦点を当てます。
論文 参考訳（メタデータ） (2025-03-13T06:17:50Z) - Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
マルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークであるAOPを提案する。
本研究では, エージェント指向計画の3つの重要な設計原則, 可解性, 完全性, 非冗長性を明らかにする。
大規模実験は,マルチエージェントシステムにおける単一エージェントシステムと既存の計画戦略と比較して,現実の問題を解決する上でのAOPの進歩を実証している。
論文 参考訳（メタデータ） (2024-10-03T04:07:51Z) - An Interactive Agent Foundation Model [49.77861810045509]
本稿では,AIエージェントを訓練するための新しいマルチタスクエージェントトレーニングパラダイムを用いた対話型エージェント基礎モデルを提案する。
トレーニングパラダイムは、視覚マスク付きオートエンコーダ、言語モデリング、次世代の予測など、多様な事前学習戦略を統一する。
私たちは、ロボティクス、ゲームAI、ヘルスケアという3つの異なる領域でフレームワークのパフォーマンスを実演します。
論文 参考訳（メタデータ） (2024-02-08T18:58:02Z) - LLM Multi-Agent Systems: Challenges and Open Problems [11.029111835428344]
マルチエージェントシステムはエージェントの協調によって複雑なタスクに対処できる。
本稿では,タスク割り当ての最適化,反復的議論による堅牢な推論の促進,複雑で階層的なコンテキスト情報の管理,メモリ管理の強化について論じる。
また、ブロックチェーンシステムにおけるマルチエージェントシステムの潜在的な応用について検討し、現実の分散システムにおける将来の開発と応用について光を当てています。
論文 参考訳（メタデータ） (2024-02-05T23:06:42Z) - Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。
合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。
我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
論文 参考訳（メタデータ） (2023-09-29T13:33:06Z)
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。