Comprehensive Multi-Agent Epistemic Planning
Università di Udine(乌迪内大学)
在过去的几年里,人工智能的概念已经成为我们日常生活和几种工作场景中不同任务的核心。在这些任务中,自动规划一直是人工智能研究界的核心。特别是,这份手稿专注于一种专门的规划,称为多智能体认知规划(MEP)。认知规划(EP)是指一种自动规划设置,其中智能体在知识/信念状态的空间中进行推理,并试图找到一个计划,以达到从一个开始的理想状态。它的一般形式,MEP问题,涉及多个代理谁需要对世界的状态和代理之间的信息流的原因。为了解决MEP问题,已经开发了几种工具,虽然方法的多样性导致了对问题空间的更深入理解,但每个拟议的工具都缺乏一些能力,并且不允许对信息流进行全面调查。这就是为什么,我们的工作的目标是正式的环境中,一个完整的表征代理的知识/信念的互动和更新是可能的。特别是,我们的目标是通过定义一个新的基于动作的语言,多智能体认知规划,并实现一个认知规划器的基础上,实现这样的目标。这个求解器应该提供一个工具,灵活地在不同的领域,例如,经济、安全、司法和政治,在这些领域,考虑他人的知识/信仰可能导致获胜的战略。
2021-09-17 cs.AI cs.MA
Optimal Multi-Agent Path Finding for Precedence Constrained Planning Tasks
Indian Institute of Technology Kharagpur(印度理工学院卡哈拉格普尔分校)
多智能体路径查找(MAPF)是为多个智能体寻找从其起始位置到结束位置的无冲突路径的问题。我们认为这个问题的扩展,优先约束的多智能体路径查找(PC-MAPF),其中代理被分配一系列的规划任务,其中包含优先约束。PC-MAPF具有各种应用,例如在多代理拾取和递送问题中,其中某些对象可能需要多个代理协同拾取并一致地移动它们。优先约束也出现在仓库装配问题中,在制造任务可以开始之前,其输入资源必须被制造和交付。我们提出了一种新的算法,优先约束的基于冲突的搜索(PC-CBS),这类问题的最大完工时间的最佳解决方案。PC-CBS利用优先级约束任务图为每个计划任务定义有效的时间间隔,并在遇到优先级冲突时更新它们。我们基准测试该算法的性能在各种仓库组装,和多代理的皮卡和交付任务,并使用它来评估最近提出的有效的基线的次优。
2022-02-08 cs.AI cs.MA
Fault-Tolerant Offline Multi-Agent Path Planning
Tokyo Institute of Technology(东京工业大学);Sorbonne University(索邦大学);CNRS(法国国家科学研究中心);Institut Universitaire de France(法国大学研究院)
我们研究了一种新的图形路径规划问题的多个代理,可能会在运行时崩溃,并阻止部分工作空间。在我们的设置中,代理可以检测相邻的崩溃代理,并在运行时改变所遵循的路径。然后,目标是为每个代理准备一组路径和切换规则,确保所有正确的代理到达目的地而不会发生冲突或死锁,尽管其他代理发生意外崩溃。这样的规划对于建立可靠的多机器人系统是有吸引力的。我们提出了问题的形式化、理论分析(例如计算复杂性)以及如何解决这个离线规划问题。
2022-11-25 cs.AI cs.MA cs.RO
Optimal Sequential Task Assignment and Path Finding for Multi-Agent Robotic Assembly Planning
Stanford University(斯坦福大学);Siemens Corporation(西门子公司)
我们研究了大型机器人团队在具有任务间优先约束(例如,任务$A$和任务$B$必须在任务$C$开始之前完成)。这些问题通常发生在机器人制造应用的装配规划中,其中子装配必须在它们可以组合以形成最终产品之前完成。我们提出了一个分层算法计算的最大完工时间最优的解决方案的问题。该算法是评估一组随机生成的问题的情况下,机器人必须在一个“工厂”的网格世界环境中的站之间的对象。此外,我们在高保真仿真证明,我们的算法的输出可用于生成非完整差动驱动机器人的无碰撞轨迹。
2020-06-16 cs.AI cs.MA cs.RO
Cooperative Epistemic Multi-Agent Planning for Implicit Coordination
Albert-Ludwigs-Universität Freiburg(弗莱堡阿尔伯特-路德维希大学);Technical University of Denmark(丹麦技术大学)
认知规划可以用于具有分布式知识和能力的多智能体情况下的决策。最近,动态认知逻辑(DEL)已被证明提供了一个非常自然和表达框架的认知规划。我们扩展了基于DEL的认知规划框架,包括视角的转变,使我们能够定义新的概念,顺序和条件规划与隐式协调。有了这些,就有可能以分散的方式解决具有联合目标的规划任务,而无需代理在规划时协商并承诺联合策略。首先,我们定义了中央规划的概念,并勾勒出建立在这些概念上的规划系统的实施。之后,我们提供了一些案例研究,以评估规划经验,并表明这一概念是有用的多智能体系统在实践中。
2017-03-07 cs.AI cs.LO cs.MA
Reachability and Coverage Planning for Connected Agents: Extended Version
Univ Rennes(雷恩大学);CNRS(法国国家科学研究中心);IRISA(雷恩计算机科学与应用数学研究所);Inria(法国国家信息与自动化研究所)
由于机器人在信息收集任务中的吸引力越来越大,我们研究了多智能体路径规划问题,其中智能体必须保持互连。我们通过一个拓扑图来建模一个区域,该拓扑图指定了代理的运动和连接约束。我们研究了理论上的复杂性的可达性和覆盖问题的一个舰队的连接代理的各类拓扑图。我们建立了这些问题的复杂性已知的类,并引入了一个新的类称为视线可移动图承认有效的算法。
2019-03-11 cs.AI cs.DS cs.MA
Agent-Oriented Planning in Multi-Agent Systems
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学);Alibaba Group(阿里巴巴集团);Southeast University(东南大学)
本文提出AOP框架,通过可解性、完备性和非冗余性三原则指导多智能体系统中的任务分解与分配,并结合奖励模型评估与反馈回路,显著提升解决现实世界问题的效果。
2025-03-11 cs.AI cs.LG cs.MA
SrSv: Integrating Sequential Rollouts with Sequential Value Estimation for Multi-agent Reinforcement Learning
Zhejiang University(浙江大学);Peking University(北京大学)
针对大规模多智能体强化学习中的信用分配与可扩展性挑战,提出SrSv框架,利用Transformer自回归特性进行序列化动作rollout与序列化价值估计,显著提升了训练效率与可扩展性。
2025-03-03 cs.AI cs.LG cs.MA
Cooperative Multi-Agent Path Finding: Beyond Path Planning and Collision Avoidance
Technion(以色列理工学院)
我们介绍了合作多智能体路径寻找(Co-MAPF)问题,经典的MAPF问题的扩展,其中合作行为被纳入。在这种设置中,一组自主智能体在共享环境中操作,并且必须完成协作任务,同时避免与组中的其他智能体发生冲突。这个扩展自然地模拟了许多现实世界的应用程序,其中需要多组代理进行协作以完成给定的任务。为此,我们对Co-MAPF问题进行了形式化,并引入了基于冲突的协作搜索(Co-CBS),这是一种基于CBS的算法,用于为广泛的Co-MAPF问题最佳地解决该问题。Co-CBS使用集成到CBS中的协作规划模块,使得协作规划与路径规划解耦。最后,我们提出了实证结果几个MAPF基准证明我们的算法的属性。
2021-05-23 cs.AI cs.MA cs.RO
SocialGrid: A Benchmark for Planning and Social Reasoning in Embodied Multi-Agent Systems
Technical University of Darmstadt(达姆施塔特技术大学);German Research Center for Artificial Intelligence(德国人工智能研究中心);Lab1141(Lab1141实验室);Centre for Cognitive Science, Darmstadt(达姆施塔特认知科学中心)
SocialGrid通过评估LLM在具身多智能体环境中的规划、任务执行与社交推理能力,揭示了现有模型在任务完成和社交推理上的不足,并提供规划 oracle 和竞争排行榜以促进改进。
2026-04-17 cs.AI cs.LG cs.MA
FMAP: Distributed Cooperative Multi-Agent Planning
提出了一种集规划与协调于一体的全分布式多智能体规划方法FMAP(Forward Multi-Agent Planning)。虽然FMAP是专门针对解决问题,需要代理之间的合作,域独立的规划模型的灵活性,允许FMAP来处理任何类型的多代理规划任务。在FMAP中,智能体通过一个完整的、灵活的前向链偏序规划器建立精化计划来共同探索计划空间。搜索引导$h_{DTG}$,一种新的启发式功能,是基于域转移图和前沿状态的概念,并优化,以评估计划在分布式环境中。FMAP中的代理应用高级隐私模型,该模型允许他们充分保留私人信息,同时仅传达与每个参与代理相关的细化计划的数据。实验结果表明,FMAP是一种通用的方法,有效地解决了紧耦合的领域,有专门的代理和合作的目标,以及松耦合的问题。具体而言,实证评估表明,FMAP优于目前的MAP系统在解决复杂的规划任务,是适应国际规划竞赛基准。
2015-01-28 cs.AI
OBDD-based Universal Planning for Synchronized Agents in Non-Deterministic Domains
Carnegie Mellon University(卡内基梅隆大学)
最近,模型检验表示和搜索技术被证明是有效地适用于规划,特别是非确定性规划。这种规划方法使用有序二元决策图(OBDD)将规划域编码为非确定性有限自动机,然后应用来自模型检验的快速算法来搜索解。OBDD可以有效地扩展,并可以为复杂的规划域提供通用计划。我们特别感兴趣的是解决在非确定性,多代理域中出现的复杂性。在这篇文章中,我们提出了UMOP,一个新的通用OBDD为基础的规划框架,不确定性,多代理域。我们引入了一个新的规划域描述语言,NADL,指定非确定性,多代理域。该语言提供了可控代理和不可控环境代理的明确定义。我们描述了NADL的语法和语义,并展示了如何建立一个有效的基于OBDD的表示的NADL描述。UMOP规划系统使用NADL和不同的基于OBDD的通用规划算法。它包括以前开发的强和强循环规划算法。此外,我们介绍了我们的新的乐观规划算法,放松最优性保证,并产生合理的通用计划,在某些领域,没有强或强循环的解决方案存在。我们提出的实证结果,应用UMOP域范围从确定性和单代理,没有环境行动的非确定性和多代理复杂的环境行动。UMOP被证明是一个丰富而有效的规划系统。
2011-06-01 cs.AI
An approach to multi-agent planning with incomplete information
Universitat Politècnica de València(瓦伦西亚理工大学)
多智能体规划(MAP)方法通常被设想用于独立或松散耦合的问题,以增强自主智能体之间的分布式规划的益处,因为解决这种类型的问题需要智能体的子计划之间较少的协调。然而,当涉及到紧耦合代理的任务,MAP已被降级,有利于集中的方法,并在这个方向上做了很少的工作。在本文中,我们提出了一个通用的地图能够有效地处理规划问题与任何级别的代理之间的耦合。我们提出了一个合作的细化规划方法,建立在偏序规划范式,允许代理工作与不完整的信息,并有不完整的世界观,即不知道其他代理的信息,以及维护自己的私人信息。我们展示了各种实验来比较我们的系统的性能与一个分布式的基于CSP的MAP方法在一套问题。
2015-01-28 cs.AI
EvoMem: Improving Multi-Agent Planning with Dual-Evolving Memory
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Futurewei Technologies(未来科技)
EvoMem通过双进化记忆机制提升多智能体规划,利用约束记忆和查询反馈记忆模块优化约束跟踪与错误修正,实现旅行、会议和日历任务的性能提升。
2025-12-08 cs.AI cs.LG cs.MA
Symbolic Planning and Multi-Agent Path Finding in Extremely Dense Environments with Unassigned Agents
本文提出五种基于搜索的算法,用于解决在极度密集环境中无分配代理的多智能体路径寻找问题,通过图搜索方法高效生成重新排列计划。
2026-01-08 cs.AI cs.MA cs.RO
Efficient Multi-agent Epistemic Planning: Teaching Planners About Nested Belief
School of Computing Queen’s University(女王大学计算机学院);University of Edinburgh(爱丁堡大学);Alan Turing Institute(艾伦图灵研究所);Faculty of Computer Science University of Bozen-Bolzano(博岑-博尔扎诺大学计算机学院);Department of Computer Science University of Toronto(多伦多大学计算机科学系);School of Computing and Information Systems University of Melbourne(墨尔本大学计算与信息系统学院)
许多人工智能应用涉及多个自主智能体的交互,要求这些智能体推理自己的信念以及其他智能体的信念。然而,涉及嵌套信念的规划已知是计算上具有挑战性的。在这项工作中,我们解决的任务,合成计划,需要推理其他代理人的信念。我们计划从一个单一的代理人的角度来看,涉及嵌套的信念,非同质代理,共同存在的意见,并为一个代理人的能力,因为如果它是另一个潜在的目标和行动。我们正式描述我们的概念规划与嵌套的信念,并随后演示了如何自动转换成这样的问题,呼吁经典的规划技术有效地解决。我们的方法是一个重要的一步,应用成熟的自动规划领域的规划涉及嵌套的信念多个代理的挑战性任务。
2021-10-06 cs.AI
A Flexible Coupling Approach to Multi-Agent Planning under Incomplete Information
Universitat Politècnica de València(瓦伦西亚理工大学)
多智能体规划(MAP)方法通常是面向解决松散耦合的问题,是无效的,以处理更复杂的,强相关的问题。在大多数情况下,代理人在完全信息下工作,建立完整的知识库。本文介绍了一个通用的MAP框架,旨在解决不完全信息下的任何耦合级别的问题。我们的MAP模型中的代理部分不知道其余代理管理的信息,只共享影响其他代理的关键信息,从而保持任务的分布式视觉。
2015-01-29 cs.AI
Path Planning Games
Vanderbilt University(范德堡大学)
路径规划是机器人控制中的一个基本和广泛探索的问题。我们提出了一个新的经济角度的路径规划。具体来说,我们研究战略之间的互动路径规划代理使用博弈论路径规划框架。我们的重点是两个重要目标之间的经济紧张关系:代理人实现其目标的效率和安全性。我们首先开发一种新的数学公式的路径规划,权衡这些目标,当其他代理的行为是固定的。然后,我们使用这个公式近似纳什均衡的路径规划游戏,以及开发一个多智能体合作的路径规划制定。通过几个案例研究,我们表明,在一个路径规划游戏,安全性往往是显着妥协相比,合作的解决方案。
2019-10-30 cs.AI cs.GT cs.MA
REVECA: Adaptive Planning and Trajectory-based Validation in Cooperative Language Agents using Information Relevance and Relative Proximity
Kyung Hee University(庆熙大学);Korea University(高丽大学)
针对多智能体协作中信息处理低效、全局次优及环境变化引发错误规划的挑战,提出由GPT-4o-mini驱动的REVECA认知架构,通过相关性估计、自适应规划和轨迹验证实现高效记忆与最优规划,在多基准上表现优异并具可信人机协作潜力。
2024-12-18 cs.AI cs.CL cs.CV
Verification-Aware Planning for Multi-Agent Systems
Purdue University, USA(普渡大学,美国);Megagon Labs, USA(梅加隆实验室,美国)
本文提出 VeriMAP 框架,通过任务分解、依赖建模及 Python 与自然语言形式的验证函数,将验证纳入多智能体规划,从而提升协作鲁棒性、可解释性与执行可靠性。
2025-10-20 cs.AI cs.CL cs.LG
Privacy Preserving Multi-Agent Planning with Provable Guarantees
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
在隐私保护多智能体规划中,一组智能体试图合作解决多智能体规划问题,同时保持其数据和动作的隐私。虽然在过去的几年里,在这一领域进行了大量的工作,但其理论基础尚未得到充分的研究。具体来说,虽然存在具有精确隐私保证的算法,但即使是它们最有效的实现在现实情况下也不够快,而对于实际算法来说,不存在有意义的隐私保证。安全-MAFS,多代理正向搜索算法(MAFS)的一个变体,是试图提供更精确保证的唯一实用算法,但仅限于非常有限的设置和证明草图。在本文中,我们制定了一个精确的概念,安全计算的搜索为基础的算法,并证明了安全MAFS具有此属性在所有领域。
2018-11-01 cs.AI
Best-First Width Search for Multi Agent Privacy-preserving Planning
Università degli Studi di Brescia(布雷西亚大学);The University of Melbourne(墨尔本大学)
在多智能体规划中,保护智能体的隐私已经成为一个越来越热门的研究课题。为了保护代理人的隐私,代理人共同计算一个计划,通过保持某些信息对个体代理人的隐私来实现共同的目标。不幸的是,这可能会严重限制搜索解决方案时使用的启发式函数的准确性。最近已经表明,对于集中式规划,通过结合面向目标的搜索和基于宽度的搜索,可以提高面向目标的搜索的性能。这些技术的组合被称为最佳优先宽度搜索。在本文中,我们研究了最佳优先宽度搜索的使用情况下(分散)多代理隐私保护规划,解决与代理的隐私和性能的挑战。特别是,我们表明,最好的第一宽度搜索是一个非常有效的方法,在几个基准域,即使搜索是由粗略估计距离目标状态,计算不使用其他代理人的私人信息的搜索驱动。实验研究分析了我们的技术的有效性,并将其与最先进的技术进行比较。
2019-06-10 cs.AI
Fairness in Multi-Agent Planning
Universidad Carlos III de Madrid(马德里卡洛斯三世大学)
本文针对合作式多智能体规划中目标分配的公平性问题,将已知公平性方案适配到MAP中,并提出两种生成成本感知公平计划的新方法,实验证明其优于基线且无需牺牲过多计划成本。
2023-05-22 cs.AI
Where Common Knowledge Cannot Be Formed, Common Belief Can -- Planning with Multi-Agent Belief Using Group Justified Perspectives
The University of Melbourne(墨尔本大学);The University of Queensland(昆士兰大学)
本文提出群体合理视角(GJP)模型,扩展JP模型以处理分布式和共同信念,通过改编基准实验证明其在处理其他工具无法解决的规划问题上的高效性与表达能力。
2025-10-17 cs.AI
Novelty Messages Filtering for Multi Agent Privacy-preserving Planning
Università degli Studi di Brescia(布雷西亚大学);The University of Melbourne(墨尔本大学)
在多智能体规划中,智能体联合计算实现共同目标的计划,保持某些信息对个体智能体的私有性。Agent之间的协调是通过消息的传递来实现的。这些消息可能是隐私泄露的来源,因为它们可以允许恶意代理收集有关其他代理的操作和搜索状态的信息。在本文中,我们调查的情况下(分散)多代理隐私保护规划的新颖技术的使用,解决与代理的隐私和性能的挑战。特别是,我们表明,使用新颖的技术可以显着减少代理之间传输的消息的数量,更好地保护他们的隐私,提高他们的性能。一项实验研究分析了我们的技术的有效性,并将其与最先进的技术进行比较。最后,我们评估了我们的方法的鲁棒性,考虑到不同的消息传输延迟,因为它们会发生在过载的网络中,例如,由于大规模的攻击或危急情况。
2019-06-18 cs.AI
Assumption-Based Planning
Laboratoire Leibniz(莱布尼茨实验室);CNRS(法国国家科学研究中心);INPG(格勒诺布尔国立理工学院);IMAG(格勒诺布尔计算机与应用数学研究所)
本文的目的是介绍一种新的规划方法,称为基于假设的规划。这种方法是一个非常有趣的方式来设计一个计划的基础上的多智能体系统,其中生产的全球共享计划是通过猜想/反驳周期。与经典的方法相反,我们的贡献依赖于代理推理,导致生产计划从规划域。考虑到复杂的环境和部分代理的知识,我们建议考虑规划问题作为一个可废止的推理代理交换建议和反建议,并能够对不确定性的原因。代理人之间的辩论对话不应被视为谈判过程,而应被视为建立计划的调查过程。在本文中,我们专注于允许代理根据其知识产生“合理”建议的机制。
2018-10-19 cs.AI
MACI: Multi-Agent Collaborative Intelligence for Adaptive Reasoning and Temporal Planning
Stanford University(斯坦福大学)
本文提出多智能体协作智能框架MACI,通过元规划器、任务智能体和运行时监控器三个组件,结合常识推理与规划验证解耦,克服传统LLM在推理、时间感知和约束管理上的局限,在调度任务中表现稳健。
2025-01-29 cs.AI
Adaptive Domain Modeling with Language Models: A Multi-Agent Approach to Task Planning
Bosch Center for Artificial Intelligence(博世人工智能中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本研究提出融合大语言模型与符号规划的多智能体框架TAPAS,通过专用智能体协作生成调整领域模型、结合ReAct风格执行智能体,无需人工定义环境模型即可完成复杂任务,在基准与模拟环境中表现优异。
2025-06-30 cs.AI cs.RO
Lifelong Path Planning with Kinematic Constraints for Multi-Agent Pickup and Delivery
University of Southern California(南加州大学)
多代理拾取和交付(MAPD)问题模型的应用程序中,大量的代理出席传入拾取和交付任务的流。令牌传递(TP)算法是近年来提出的一种高效的MAPD算法。我们使用一种新的组合搜索算法,称为安全间隔路径规划与保留表(SIPPWRT),单代理路径规划TP更高效和有效的。SIPPWRT使用高级数据结构,允许在线设置中快速更新和查找所有代理的当前路径。由此产生的MAPD算法TP-SIPPWRT考虑到实际机器人的运动学约束直接在规划过程中,计算连续的代理运动与给定的速度,工作在非完整的机器人,而不是离散的代理运动与均匀的速度,是完整的形式良好的MAPD实例。我们证明了它的好处,自动化仓库使用代理模拟器和标准的机器人模拟器。例如,我们证明了它可以在几秒钟内为数百个代理和数千个任务计算路径,并且比现有的MAPD算法更高效和有效,该算法使用后处理步骤以使其路径适应具有给定速度的连续代理移动。
2018-12-15 cs.AI cs.RO
Differentially Private Multi-Agent Planning for Logistic-like Problems
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
计划是通过预先制定计划来提高代理人工作效率的主要方法之一。然而,在规划过程中,代理商面临着私人信息泄露的风险。针对物流类问题提出了一种强隐私保护的规划方法。这种方法通过解决两个挑战而优于现有方法:1)同时实现强隐私性、完整性和效率,以及2)解决通信约束。这两个挑战在许多现实世界的应用中普遍存在,包括军事环境中的物流和网络中的分组路由。为了解决这两个问题,我们的方法采用了差分隐私技术,既可以保证强隐私和控制通信开销。据我们所知,本文是第一个应用差分隐私领域的多代理规划作为一种手段,保护隐私的代理物流类问题。我们从理论上证明了我们的方法的强大的隐私性和完整性,并实证证明了其效率。我们还从理论上分析了我们的方法的通信开销,并说明了如何差分隐私可以用来控制它。
2022-12-04 cs.AI cs.CR
Multi-Agent Motion Planning using Deep Learning for Space Applications
NASA Jet Propulsion Laboratory, California Institute of Technology(美国国家航空航天局喷气推进实验室,加州理工学院);University of Texas at Arlington(德克萨斯大学阿灵顿分校)
最先进的运动规划器无法扩展到大量系统。多智能体的运动规划是一个NP(non-deterministic polynomial-time)困难问题,计算时间随着智能体数量的增加而呈指数增长。这种计算需求是一个主要的绊脚石,运动规划的应用程序,未来的NASA任务,涉及成群的太空飞行器。我们应用深度神经网络将计算要求高的数学运动规划问题转换为基于深度学习的数值问题。我们发现,在具有多个代理的几个2D和3D系统中,可以使用基于深度学习的数值模型准确地复制最佳运动轨迹。基于深度学习的数值模型显示出卓越的计算效率,生成的计划比数学模型快1000倍。
2020-10-15 cs.AI cs.LG cs.RO
Force-based Algorithm for Motion Planning of Large Agent Teams
Ryerson University(瑞尔森大学)
本文提出了一个分布式的,高效的,可扩展的和实时的运动规划算法,为大集团的代理人在2或3维空间移动。该算法使自主智能体能够仅利用相邻智能体的相对位置信息独立地生成个体轨迹。每个代理应用基于力的控制,其中包含两个主要术语:碰撞避免和导航反馈。第一项使两个智能体保持一定的距离,而第二项将每个智能体吸引到其目标位置。与现有的避碰算法相比,所提出的基于力的运动规划(FMP)算法能够在不考虑相邻智能体速度状态信息的情况下,以较低的过渡时间找到无碰撞运动.它导致更少的计算开销。在几个密集和复杂的2D和3D基准仿真场景中,所提出的FMP的性能进行了检查,结果优于现有的方法。
2019-09-10 cs.AI cs.MA
AI Agent as Urban Planner: Steering Stakeholder Dynamics in Urban Planning via Consensus-based Multi-Agent Reinforcement Learning
Tongji University(同济大学);Massachusetts Institute of Technology(麻省理工学院);University of Pennsylvania(宾夕法尼亚大学)
该研究提出基于共识的多智能体强化学习框架,通过智能体投票和图神经网络处理,解决城市规划中利益相关者利益协调问题,提升整体效益和不同群体满意度。
2023-11-09 cs.AI cs.MA
Lifted Sequential Planning with Lazy Constraint Generation Solvers
University of Melbourne(墨尔本大学);Monash University(莫纳什大学)
提出基于LCG的无实例化提升因果CP编码及传播子,用于序列经典规划,在少步骤实例上达到最优规划先进水平。
2023-07-17 cs.AI
Scaling Multi-Agent Epistemic Planning through GNN-Derived Heuristics
Department of Sciences and Methods for Engineering, University of Modena and Reggio Emilia(工程科学与方法系,摩德纳和雷吉奥艾米利亚大学);Department of Computer Science, University of Oxford(计算机科学系,牛津大学);Department of Computer Science, University of Pisa(计算机科学系,比萨大学)
本文通过GNN衍生启发式方法提升多智能体认知规划的可扩展性,改进求解效率。
2026-02-06 cs.AI cs.MA
On Sequential Fault-Intolerant Process Planning
Hasso-Plattner-Institute, University of Potsdam(波茨坦大学哈索·普拉特纳研究所)
本文提出序贯故障不容忍过程规划问题,并针对未知成功概率的多阶段决策设计了可证明紧致的在线算法,利用多臂老虎机平衡探索与利用,实验表明专用算法优于通用算法。
2025-02-07 cs.AI
Sequential Manipulation Planning on Scene Graph
Beijing Institute for General Artificial Intelligence(北京通用人工智能研究院);Peking University(北京大学);Tsinghua University(清华大学)
我们设计了一个三维场景图表示,接触图+(CG+),高效的顺序任务规划。这种基于接触图的表示方法通过类似谓词的属性进行增强,从而利用简洁的几何信息和有效的机器人场景交互来抽象场景布局。目标配置,自然指定的接触图,可以产生的遗传算法与随机优化方法。然后通过计算初始接触图和目标配置之间的图形编辑距离(GED)来初始化任务计划,其生成对应于可能的机器人动作的图形编辑操作。我们通过施加约束来规范图形编辑操作的时间可行性,从而确保有效的任务和运动对应关系,从而最终确定任务计划。在一系列的仿真和实验中,机器人成功地完成了传统规划语言如规划域定义语言(PDDL)难以描述的复杂顺序对象重排任务,证明了基于接触图的机器人顺序任务规划的可行性和潜力。
2022-07-17 cs.AI cs.RO
From Grounding to Planning: Benchmarking Bottlenecks in Web Agents
本文通过分析网络代理的规划和基础组件,发现规划是性能退化的主要原因,提出新的基准测试以改进代理能力。
2024-09-03 cs.AI cs.MA
Overhang Tower: Resource-Rational Adaptation in Sequential Physical Planning
研究探讨了人类在资源受限下如何通过物理预测机制和规划策略的双重转变实现连续物理规划,揭示了资源理性架构在计算成本与预测精度之间的灵活平衡。
2026-04-10 cs.AI
Petri Net Relaxation for Infeasibility Explanation and Sequential Task Planning
Colorado School of Mines(科罗拉多矿业学院);DEVCOM Army Research Laboratory(陆军研究实验室)
本文提出基于Petri网松弛的方法,用于提升计划更新中不可行性的检测与解释能力,同时在顺序任务规划中表现更优。
2026-02-25 cs.AI
Rapidly-Exploring Quotient-Space Trees: Motion Planning using Sequential Simplifications
University of Stuttgart(斯图加特大学)
运动规划问题可以通过配置空间到低维服从空间序列的容许投影来简化,称为序列简化。为了利用顺序简化,我们提出了商空间快速探索随机树(QRRT)算法。QRRT将开始和目标配置以及一系列的连续空间作为输入。该算法在连续空间上同时生长树,以保证密集覆盖。QRRT被证明是(1)概率上完全的,(2)可以减少至少一个数量级的运行时间。然而,我们在实验中表明,运行时间在不同的连续空间序列之间存在很大差异。为了找出原因,我们进行了一个额外的实验,表明环境越窄,越多的空间序列可以减少运行时间。
2019-08-24 cs.AI cs.RO
Enhancing Temporal Planning Domains by Sequential Macro-actions (Extended Version)
Graz University of Technology(格拉茨技术大学);Czech Technical University in Prague(捷克技术大学(布拉格));University of Klagenfurt(克拉根福大学)
针对多智能体共享资源的大规模时序规划场景中规划器性能下降的问题,提出可保证规划适用性的序列时序宏动作方法,在多个竞赛基准上验证了规划质量与求解效果的提升。
2023-07-22 cs.AI
AI Tour Meeting: Group Travel Planning by LLM Agents
NTT, Inc.(日本电报电话公司)
提出基于大语言模型代理的团体旅行规划框架AI Tour Meeting,通过自然语言讨论找满足约束和偏好的行程,提供相关配置接口实现灵活编排,可作模拟工具,还展示了系统验证等结果以证明其效用。
2026-07-22 cs.AI cs.CL cs.MA
Sequential Bayesian Optimization for Adaptive Informative Path Planning with Multimodal Sensing
Stanford University(斯坦福大学);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
自适应信息路径规划与多模态传感器(AIPPMS)考虑的问题,配备多个传感器,每个传感器具有不同的传感精度和能源成本的代理。智能体的目标是在未知的、部分可观测的环境中探索环境并收集受其资源约束的信息。以前的工作集中在不太一般的自适应信息路径规划(AIPP)的问题,它只考虑代理的运动对收到的意见的影响。AIPPMS问题增加了额外的复杂性,要求代理的原因,共同的影响,传感和运动,同时平衡资源约束与信息目标。我们制定的AIPPMS问题作为一个信念马尔可夫决策过程与高斯过程的信念,并解决它使用一个连续的贝叶斯优化方法与在线规划。我们的方法始终优于以前的AIPPMS解决方案,几乎在每个实验中获得的平均奖励增加了一倍以上,同时还将环境信念的均方根误差降低了50%。我们完全开源我们的实现,以帮助进一步的开发和比较。
2022-09-16 cs.AI cs.RO
ISR-LLM: Iterative Self-Refined Large Language Model for Long-Horizon Sequential Task Planning
University of Alberta(阿尔伯塔大学);Swiss Federal Institute of Technology Lausanne (EPFL)(洛桑联邦理工学院);The University of Tokyo(东京大学)
针对LLM生成的机器人长时序任务规划可行性与正确性不足的问题,提出含预处理、规划、迭代自优化三步的ISR-LLM框架,在三个规划域上实现了比现有方法更高的任务成功率,同时保留自然语言交互的泛化性。
2023-08-26 cs.AI cs.RO
A Social Welfare Optimal Sequential Allocation Procedure
Universität Rostock(罗斯托克大学);NICTA(澳大利亚国家信息与通信技术研究院);UNSW(新南威尔士大学)
我们考虑一个简单的顺序分配过程中,代理人轮流挑选项目之间共享不可分割的项目。假设代理之间的附加效用和独立性,我们证明了每个代理的期望效用是在多项式时间内可计算的。利用这一结果,我们证明了期望的功利社会福利最大化时,代理轮流。我们还认为,这种机制仍然是最佳的代理人时,行为的战略
2013-04-23 cs.AI cs.GT cs.MA
Collaborative Human-Agent Planning for Resilience
University of Melbourne(墨尔本大学);Department of Defence Science(国防科学部)
由人工智能规划提供支持的智能代理在复杂的场景中帮助人们,例如管理半自动驾驶车辆的团队。然而,人工智能规划模型可能不完整,导致计划无法充分满足既定目标,特别是在不可预测的情况下。人类,谁是善于识别和适应不寻常的情况下,可能能够协助规划代理在这些情况下,编码他们的知识到一个规划器在运行时。我们调查人们是否可以提供他们的知识,代理使用线性时序逻辑(LTL)在运行时不改变代理的领域模型与代理合作。我们向24名参与者展示了计划者有局限性的情况下的基线计划,并要求参与者为这些局限性提供变通方法。我们将这些变通方法编码为LTL约束。结果表明,参与者的限制提高了10%($p < 0.05$)相对于基线计划的计划的预期回报,表明人类的洞察力可以用于协作规划的弹性。然而,随着时间的推移,参与者使用更多的声明比控制约束,但声明约束产生的计划不太相似的参与者的期望,这可能会导致潜在的信任问题。
2021-04-29 cs.AI cs.HC cs.MA
LEMMo-Plan: LLM-Enhanced Learning from Multi-Modal Demonstration for Planning Sequential Contact-Rich Manipulation Tasks
School of Computation, Information and Technology, Technical University of Munich(慕尼黑工业大学计算、信息与技术学院);Aalto University(阿尔托大学);Nanjing University (Suzhou Campus)(南京大学苏州校区);Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
LEMMo-Plan提出融合人类演示中触觉与力-力矩信息的上下文学习框架,通过自举推理流水线生成任务计划,提升LLM在接触丰富顺序操作任务中的规划能力。
2025-03-10 cs.AI cs.RO
Individual Planning in Agent Populations: Exploiting Anonymity and Frame-Action Hypergraphs
University of Georgia(佐治亚大学)
交互式部分可观察马尔可夫决策过程(I-POMDP)提供了一个正式的框架规划的多智能体设置中的一个自我利益的代理。在多智能体环境中运行的智能体必须考虑其他智能体可能采取的行动以及这些行动对环境的影响和它所获得的奖励。传统的I-POMDP模型依赖于其他代理的行动,使用联合行动和模型空间。因此,解决方案的复杂性随着代理的数量呈指数级增长,从而使可扩展性变得复杂。在本文中,我们的模型和扩展的匿名性和上下文特定的独立性-问题结构往往存在于代理人口-计算增益。我们实证证明了利用这些问题结构的效率,通过解决一个新的多智能体问题,涉及1,000多个代理。
2015-04-02 cs.AI cs.GT cs.MA
Agentic AI for Trip Planning Optimization Application
Toyota Motor North America R&D, InfoTech Labs(丰田美国北美研发部门信息科技实验室);Arizona State University(亚利桑那州立大学)
本文提出基于代理的AI框架,通过协调代理优化旅行计划,提供精确解决方案,实验显示其在TOP基准测试中准确率高达77.4%。
2026-04-30 cs.AI
Counterfactual Planning in AGI Systems
我们提出反事实规划作为一种设计方法,用于创建一系列安全机制,这些机制可以应用于具有人工通用智能的假设未来AI系统。反事实规划的关键步骤是使用AGI机器学习系统来构建一个反事实的世界模型,该模型被设计成与系统所处的真实世界不同。一个反事实的规划代理确定的行动,最大化预期效用在这个反事实的规划世界,然后在现实世界中执行相同的行动。我们使用反事实规划来构建AGI代理紧急停止按钮,以及在智能爆炸之前自动停止代理的安全联锁。我们还构建了一个代理的输入终端,可用于人类迭代地提高代理的奖励功能,其中的激励代理操纵这个改进过程被抑制。作为非智能体AGI系统中反事实规划的一个例子,我们构建了一个反事实预言机。作为一种设计方法,反事实计划是围绕使用图形符号来定义数学反事实而建立的。这种两图表示法还提供了一种紧凑且可读的语言,用于推理通常存在于机器学习代理内部的复杂类型的自引用和间接表示。
2021-01-29 cs.AI
SeqWalker: Sequential-Horizon Vision-and-Language Navigation with Hierarchical Planning
SeqWalker通过分层规划框架解决多任务视觉-语言导航中的信息过载问题,通过高层规划减少认知负荷,低层规划利用指令逻辑结构校正轨迹误差。
2026-01-08 cs.AI cs.RO
Task and Situation Structures for Service Agent Planning
Ford Motor Company(福特汽车公司);State University of New York - Binghamton(纽约州立大学宾汉姆顿分校)
日常任务的特点是其多样性和变化,往往没有明确规定的服务代理。本文提出了一种全面的方法,使服务代理处理日常任务中的开放,不受控制的环境。我们引入了一个通用的结构来表示任务,另一个结构来表示情况。基于这两个新引入的结构,我们提出了一种方法的情况处理,避免硬编码域规则,同时提高现实世界的任务规划系统的可扩展性。
2021-08-02 cs.AI
TwoStep: Multi-agent Task Planning using Classical Planners and Large Language Models
University of Southern California(南加州大学)
本研究提出TwoStep方法,结合经典规划器与LLM,通过LLM进行多智能体目标分解,实现比直接求解多智能体PDDL更快的规划时间,同时减少执行步骤并保证执行成功,效果接近人类专家分解。
2025-03-25 cs.AI cs.CL cs.MA