論文の概要: Observe, Share, or Predict? Disentangling Partner Information in Embodied Multi-Agent Collaboration

• arxiv url: http://arxiv.org/abs/2610.16895v1
• Date: Mon, 12 Oct 2026 14:49:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.390605
• Title: Observe, Share, or Predict? Disentangling Partner Information in Embodied Multi-Agent Collaboration
• Title（参考訳）: 観察・共有・予測 : マルチエージェント共同作業におけるパートナー情報の分散化
• Abstract要約: 我々は、パートナーの状態を観察し、オブジェクトの知識を交換し、パートナーの次のアクションを予測し、タスクの結果を形作り、調整するかどうか尋ねる。 我々は、分散化されたゼロショットリアクトプランナーを、他エージェントの状態(OAS)観察、同一エージェント間のオブジェクト知識交換(KE)、他エージェントの次のアクション(OANA)予測で強化する。 OAS観察はタスク品質を改善し、各プランナの余分な労力を削減する一方、KEは主に実行効率を向上し、シミュレーションステップを最大25%削減する。
• 参考スコア（独自算出の注目度）: 12.841846686021023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLMs are used as high-level controllers for embodied agents, but it remains unclear whether they support collaborative reasoning, such as anticipating a collaborator's actions in real-time teamwork without dialogue. We ask if observing the partner's state, exchanging object knowledge, and predicting the partner's next action, shape task outcomes and coordination when agents can share percepts but never intentions, plans, or task-level messages, and whether the two agents occupy symmetric roles. Using the Habitat-based PARTNR benchmark, we introduce a Decoupled Partial Observability regime that enforces strictly individual perception, and we augment decentralized zero-shot ReAct planners with Other Agent's State (OAS) observation, object Knowledge Exchange (KE) between co-located agents, and Other Agent's Next Action (OANA) prediction, evaluated on the full 2 x 2 x 2 grid with four planners on 1,000 validation tasks. OAS observation improves task quality, reducing extraneous effort for every planner, whereas KE primarily improves execution efficiency, cutting simulation steps by up to 25% with little change in success. The two are largely redundant for strong planners but complementary for the weakest, for which KE without the OAS is the worst configuration. OANA prediction lowers the success rate in 15 of 16 model x context pairs while raising explicit partner mentions to 55-100%, and its accuracy gains lie mainly in the coarse action type, partly because agents recognize the action the partner is already performing. The robot retrieves objects sooner and completes its tasks earlier than the simulated human. Shared context reduces total task time by shortening the remaining duration that the human works alone. Also, coordination benefits arise from responding to shared context, especially the OAS, rather than explicit anticipation, yielding shallow, planner-dependent partner modeling.
• Abstract（参考訳）: LLMは, エージェントの高レベルコントローラとして使用されるが, 対話のないリアルタイムチームワークにおいて, 協調作業者の行動を期待するなど, 協調的推論をサポートするかどうかは不明である。 我々は、パートナーの状態を観察し、オブジェクトの知識を交換し、パートナーの次のアクションを予測し、エージェントがパーセプションを共有しながら、意図、計画、タスクレベルのメッセージを共有することができる場合のタスク結果と調整を作成し、両者のエージェントが対称的な役割を担っているかどうかを問う。 ハビタットをベースとしたParticleNRベンチマークを用いて、厳密な個人認識を強制する分離部分可観測性システムを導入し、1000の検証タスクで4つのプランナーを持つ2 x 2 x 2のグリッドで評価された、他のエージェントの状態(OAS)観察、同一のエージェント間のオブジェクト知識交換(KE)予測、その他のエージェントの次のアクション(OANA)予測を分散ゼロショットプランナーに拡張する。 OAS観察はタスク品質を改善し、すべてのプランナーの余分な労力を削減する一方、KEは主に実行効率を向上し、シミュレーションステップを最大25%削減し、ほとんど成功しない。 この2つは、強いプランナーには概ね冗長だが、最も弱いプランナーには補完的であり、OASを持たないKEは最悪の構成である。 OANA予測は16のモデル x コンテキストペアのうち15の成功率を低下させ、明示的なパートナーの言及を55-100%に引き上げると共に、その精度向上は主に粗いアクションタイプにある。 ロボットは物体を素早く回収し、シミュレーションされた人間よりも早くタスクを完了させる。 共有コンテキストは、人間が単独で働く残りの期間を短縮することで、タスク全体の時間を短縮する。 また、協調の利点は、共有コンテキスト、特にOASに対して、明確な期待よりも反応し、浅いプランナーに依存したパートナーモデリングをもたらすことから生じる。

関連論文リスト

• Consistent Plan-Act for Long-Horizon Agentic Tasks [38.741305857471644]
  一般的なアプローチは、異なる役割を通じて低レベルの実行から高レベルの計画を切り離します。 本稿では,検出された矛盾を両エージェントにフィードバックし,一貫した解釈を形成するConsistent PlanAct(ConAct)を提案する。 ConActは成功率を38.6%から54.4%に引き上げ、GPT-5.6-sol/terraをプランナーと俳優として採用している。
  論文  参考訳（メタデータ） (2026-09-30T03:38:49Z)
• HarnessWAM: Bridging Prediction and Deliberation in World Action Models [39.20825071922887]
  World Action Models (WAM) は、環境力学とロボットの動作を共同で学習し、身体的制御に物理的進化の先行を取り入れている。 本稿では,WAMの予測・検討ギャップに対処するため,WAMのエージェントフレームワークであるHarnessWAMを提案する。 我々は、HarnessWAMがRoboMemArenaで59.6%、69.9%、RoboCerebra Idealで23.7%、最先端のフルタスクとサブタスクの成功率を達成したことを示す。
  論文  参考訳（メタデータ） (2026-08-10T12:15:59Z)
• Partner Capability Estimation for Task-Agnostic Adaptation in Ad-Hoc Teamwork [6.7593408237313115]
  アドホックなチームワークは、自律的なエージェントにとって重要なスキルです。 現在のアドホックなチームワークアプローチのほとんどは、エージェントがひとつの固定されたタスクで協力すると仮定しています。 私たちはそれを、隠れたパートナー機能の下で分散実行を伴う共同計画の問題として再設定します。
  論文  参考訳（メタデータ） (2026-07-29T17:50:39Z)
• LLawCo: Learning Laws of Cooperation for Modeling Embodied Multi-Agent Behavior [51.25229110468212]
  分散化された環境で活動する身体的エージェントは、しばしばパートナーと不整合または環境状態に不整合な行動を示す。 我々は,実施エージェントがパートナーとタスクの目的の両方を自律的に整合させることができる新しい枠組みであるLearning Laws of Cooperationを提案する。 我々のフレームワークは、エージェントが過去の失敗を反映して、不整合な行動パターンを抽出し、"必要であれば話す"や"パートナーを待つ"といったハイレベルな行動法則を導出することを可能にする。
  論文  参考訳（メタデータ） (2026-06-26T15:26:12Z)
• TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size [54.0714652192002]
  物理に基づくヒューマノイド制御は、現実的でハイパフォーマンスな単一エージェントの動作を可能にするために顕著な進歩を遂げた。 我々は,複数の協力エージェント間で協調的なHOIを処理するための,単一の分散政策を実現するためのフレームワークであるTeamHOIを提案する。
  論文  参考訳（メタデータ） (2026-03-09T05:52:13Z)
• An LLM-based Framework for Human-Swarm Teaming Cognition in Disaster Search and Rescue [11.300720465575608]
  大規模災害探索・救助(SAR)の運用は複雑な地形と通信を妨害する。 Unmanned Aerial Vehicle(UAV)は、広域検索やサプライデリバリーといったタスクに対して、有望なソリューションを提供するが、その効果的な調整は、人間のオペレーターに重大な認知的負担を与える。 本研究では,Large Language Models (LLMs) を応用し,人間とスワームの協調認知をモデル化・拡張する新しいLLM-CRFシステムを提案する。
  論文  参考訳（メタデータ） (2025-11-06T04:27:20Z)
• Completion $\neq$ Collaboration: Scaling Collaborative Effort with Agents [48.95020665909723]
  タスク完了エージェントの構築と評価から,協調エージェントの開発への移行を議論する。 エージェントのユーティリティがユーザ関与の増加とともにどのように成長するかをキャプチャするフレームワークであるコラボレーティブ・ワーク・スケーリングを紹介します。
  論文  参考訳（メタデータ） (2025-10-29T17:47:18Z)
• CaPo: Cooperative Plan Optimization for Efficient Embodied Multi-Agent Cooperation [98.11670473661587]
  CaPoは,1)メタプラン生成,2)プログレッシブなメタプランと実行の2つのフェーズで協調効率を向上する。 3Dworld Multi-Agent TransportとCommunicative Watch-And-Helpタスクの実験結果は、CaPoが最先端技術と比較してタスク完了率と効率をはるかに高めることを示した。
  論文  参考訳（メタデータ） (2024-11-07T13:08:04Z)
• PARTNR: A Benchmark for Planning and Reasoning in Embodied Multi-agent Tasks [57.89516354418451]
  我々は,HumaN-Robotコラボレーション(PARTNR)における計画と推論タスクのベンチマークを示す。 大規模言語モデル(LLM)を用いた半自動タスク生成パイプラインを用いる。 我々は、計画、知覚、スキル実行の軸を越えて、PartinNRタスクにおける最先端のLCMを分析します。
  論文  参考訳（メタデータ） (2024-10-31T17:53:12Z)
• 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)
• Adaptation and Communication in Human-Robot Teaming to Handle Discrepancies in Agents' Beliefs about Plans [13.637799815698559]
  我々はモンテカルロ木探索に基づくオンライン実行アルゴリズムを提案し,その動作を計画する。 私たちのエージェントは、共有されたメンタルモデルを保証することなく、チームで作業するための装備がより優れていることを示しています。
  論文  参考訳（メタデータ） (2023-07-07T03:05:34Z)

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。