論文の概要: HiRS-Agent: A Hierarchical Multi-Agent System for Reliable Long-Horizon Remote Sensing Task Solving

• arxiv url: http://arxiv.org/abs/2608.30672v1
• Date: Mon, 31 Aug 2026 12:13:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.382646
• Title: HiRS-Agent: A Hierarchical Multi-Agent System for Reliable Long-Horizon Remote Sensing Task Solving
• Title（参考訳）: HiRS-Agent: 信頼性の高い長距離リモートセンシングタスク解決のための階層型マルチエージェントシステム
• Abstract要約: HiRS-Agentは、長期RSタスク解決のための階層型マルチエージェントシステムである。 Manager Layerは動的ルーティング、ステップレベルの検証、再計画、終了制御を処理する。 Specialist LayerはRSワークフローに従ってドメイン固有のツールを整理し、サブタスク推論とツール実行を担当する。
• 参考スコア（独自算出の注目度）: 24.41944797622092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in large language models and multimodal models have pushed remote sensing (RS) processing from simple perception models to agentic systems designed to tackle complex, long-horizon RS tasks. However, existing systems often rely on monolithic decision-making frameworks, which fail to accommodate the multi-stage, interdependent nature of RS tasks. This centralized approach leads to challenges such as unstable task execution, incorrect tool usage, and error propagation across stages. To address these issues, we propose HiRS-Agent, a hierarchical multi-agent system for long-horizon RS task solving. HiRS-Agent adopts a two-level collaborative architecture: the Manager Layer handles dynamic routing, step-level verification, replanning, and termination control, while the Specialist Layer organizes domain-specific tools according to the RS workflow and is responsible for subtask reasoning and tool execution. To further enhance the system's capability, we introduce a two-stage supervised tuning strategy and a verification-guided hierarchical reinforcement learning stage to jointly optimize coordination and tool-use policies. Experiments on Earth-Agent Benchmark and ThinkGeo show that HiRS-Agent substantially improves long-horizon tool-use capability and final-task correctness, demonstrating the effectiveness of structured multi-agent collaboration for reliable RS agents. The code is publicly available at https://github.com/IntelliSensing/HiRS-Agent.
• Abstract（参考訳）: 大規模言語モデルやマルチモーダルモデルにおける最近の進歩は、リモートセンシング(RS)処理を単純な知覚モデルから、複雑な長距離RSタスクに対処するために設計されたエージェントシステムへと推し進めている。 しかし、既存のシステムは、しばしばモノリシックな意思決定フレームワークに依存しており、RSタスクの多段階的、相互依存的な性質に対応できない。 この集中型アプローチは、不安定なタスクの実行、不正なツールの使用、ステージ間のエラーの伝搬といった課題につながります。 これらの課題に対処するため,階層型多エージェントシステムであるHiRS-Agentを提案する。 マネージャ層は動的ルーティング、ステップレベルの検証、再計画、終了制御を処理し、スペシャリスト層はRSワークフローに従ってドメイン固有のツールを編成し、サブタスクの推論とツール実行を担当する。 システムの機能をさらに強化するため、協調とツール利用ポリシーを協調的に最適化する2段階の教師付きチューニング戦略と検証誘導階層型強化学習ステージを導入する。 Earth-Agent BenchmarkとThinkGeoの実験では、HiRS-Agentは長期ツール使用能力と最終タスクの正確性を大幅に改善し、信頼性のあるRSエージェントに対する構造化マルチエージェントコラボレーションの有効性を実証している。 コードはhttps://github.com/IntelliSensing/HiRS-Agent.comで公開されている。

関連論文リスト

• Multi-Agent Computer Use [72.79887808312706]
  我々はマルチエージェント・コンピュータ・ユース(MACU)システムの評価・構築に向けて進むべきであると論じる。 本稿では、マネージャモデルがコンピュータ使用タスクを有向非巡回グラフ(DAG)として分解する汎用マルチエージェント構成を提案する。 各イテレーションで、マネージャは並列CUAサブエージェントをディスパッチし、DAGの準備ができているフロンティアでノードを実行する。
  論文  参考訳（メタデータ） (2026-06-01T01:29:36Z)
• Small Model as Master Orchestrator: Learning Unified Agent-Tool Orchestration with Parallel Subtask Decomposition [61.291733522717415]
  Agent-as-Toolは並列オーケストレーションのパラダイムであり、エージェントとツールの両方を標準化された学習可能なアクション空間に緩和する。 ParaManagerは、サブタスク解決から計画決定を分離し、ステート対応の並列サブタスク分解、デリゲート、非同期実行を可能にする。 実験により、ParaManagerは複数のベンチマークで高い性能を示し、目に見えないモデルプールの下で堅牢な一般化を示す。
  論文  参考訳（メタデータ） (2026-04-18T14:41:27Z)
• OrgAgent: Organize Your Multi-Agent System like a Company [75.47076168155817]
  企業スタイルの階層型マルチエージェントフレームワークであるOrgAgentを紹介します。 企業スタイルの階層で組織されたマルチエージェントシステムは、一般的に他の組織構造よりも優れています。
  論文  参考訳（メタデータ） (2026-04-01T15:21:14Z)
• BOAD: Discovering Hierarchical Software Engineering Agents via Bandit Optimization [41.08366028094234]
  大規模言語モデル(LLM)は、現実世界のソフトウェア工学の問題を一般化するのに苦労する。 既存のシステムはワークフロー全体の問題を処理するために、単一のエージェントに依存することが多い。 人間の技術者が複雑な問題を分解する方法に触発され、我々はSWEエージェントをオーケストラとして構成し、特殊なサブエージェントをコーディネートすることを提案する。
  論文  参考訳（メタデータ） (2025-12-29T17:41:11Z)
• Designing Domain-Specific Agents via Hierarchical Task Abstraction Mechanism [61.01709143437043]
  階層型タスク抽象化機構(HTAM)を中心とした新しいエージェント設計フレームワークを提案する。 具体的には、HTAMは、社会的役割のエミュレーションを超えて、代わりに、複数のエージェントシステムを、あるドメインの固有のタスク依存グラフを反映する論理階層に構造化する。 我々は、複雑な地理空間解析に適したマルチエージェントシステムであるEarthAgentとして、このフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2025-11-21T12:25:47Z)
• XAgents: A Unified Framework for Multi-Agent Cooperation via IF-THEN Rules and Multipolar Task Processing Graph [14.273739638741139]
  XAgentsはマルチポーラタスク処理グラフとIF-THENルールに基づいて構築された統合マルチエージェント協調フレームワークである。 XAgentsは、知識型および論理型問合せタスクの両方において、最先端のシングルエージェントおよびマルチエージェントアプローチを一貫して超越している。
  論文  参考訳（メタデータ） (2025-09-12T08:40:58Z)
• PC-Agent: A Hierarchical Multi-Agent Collaboration Framework for Complex Task Automation on PC [98.82146219495792]
  本稿では,PC-Agentという階層型エージェントフレームワークを提案する。 認識の観点からは,現在のMLLMのスクリーンショットコンテンツに対する認識能力の不十分さを克服するために,アクティブ知覚モジュール(APM)を考案する。 意思決定の観点から、複雑なユーザ命令や相互依存サブタスクをより効果的に扱うために、階層的なマルチエージェント協調アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-20T05:41:55Z)
• Multi-Agent Geospatial Copilots for Remote Sensing Workflows [1.8241060496411214]
  GeoLLM-Squadがリモートセンシング(RS)に新しいマルチエージェントパラダイムを導入 モノリシックな大規模言語モデル(LLM)に依存している既存の単一エージェントアプローチとは異なり、GeoLLM-Squadは地理的タスク解決からエージェントオーケストレーションを分離する。 我々の研究は、都市モニタリング、森林保護、気候分析、農業研究にまたがる多様なアプリケーションのモジュラー統合を可能にする。
  論文  参考訳（メタデータ） (2025-01-27T17:54:31Z)
• 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)
• RS-Agent: Automating Remote Sensing Tasks through Intelligent Agent [15.836845304125436]
  RS-Agentは、人間のユーザーと対話し、専門的なモデルを自律的に活用するように設計されたAIエージェントである。 RS-Agentは、大きな言語モデルに基づく中央コントローラ、ツール実行のための動的ツールキット、タスク固有のエキスパートガイダンスのためのソリューションスペース、ドメインレベルの推論のための知識スペースの4つの重要なコンポーネントを統合している。 9つのデータセットと18のリモートセンシングタスクにわたる大規模な実験により、RS-Agentは最先端のMLLMよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-11T09:30:02Z)
• TDAG: A Multi-Agent Framework based on Dynamic Task Decomposition and Agent Generation [41.21899915378596]
  動的タスク分解・エージェント生成(TDAG)に基づくマルチエージェントフレームワークを提案する。 このフレームワークは複雑なタスクを小さなサブタスクに動的に分解し、それぞれが特定の生成されたサブエージェントに割り当てる。 ItineraryBenchは、さまざまな複雑さのタスク間でのメモリ、計画、ツール使用量のエージェントの能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-02-15T18:27:37Z)

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。