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
Distributed Online Planning for Min-Max Problems in Networked Markov Games
Stanford University（斯坦福大学）；KAIST（韩国科学技术院）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
针对网络化马尔可夫博弈中的多智能体极小极大问题，提出一种模块化分布式在线规划算法，通过两阶段（局部回报凹近似与分布式优化）协同逼近极小极大目标解，并在编队控制仿真中验证有效性。
2024-05-29 cs.MA cs.RO
Moving Forward in Formation: A Decentralized Hierarchical Learning Approach to Multi-Agent Moving Together
Zhejiang University（浙江大学）
多智能体信息寻路具有许多潜在的实际应用，如移动仓库机器人。然而，以前的多智能体路径搜索（MAPF）方法很少考虑编队。此外，它们通常是集中式规划者，需要了解整个环境状况。MAPF的其他分散的部分可观察方法是强化学习（RL）方法。然而，这些强化学习方法在同时学习路径发现和编队问题时遇到困难。在本文中，我们提出了一种新的分散的部分可观察的RL算法，使用分层结构分解成不相关的多目标任务。该方法还计算了一个理论权重，使得每个任务的奖励对最终RL价值函数的影响相等。此外，我们引入了一种通信方法，帮助代理相互合作。仿真实验表明，我们的方法优于其他端到端的强化学习方法，我们的方法可以自然地扩展到大的世界规模，集中式规划器的斗争。我们还部署和验证我们的方法在现实世界的情况下。
2020-11-04 cs.MA cs.RO
Distributed Planning with Asynchronous Execution with Local Navigation for Multi-agent Pickup and Delivery Problem
Shimizu Corporation（清水建设株式会社）；Waseda University（早稻田大学）
我们提出了一个分布式规划方法与异步执行的多代理皮卡和交付（MAPD）问题的环境中偶尔延迟代理的活动和灵活的端点。MAPD是一个具有许多应用的关键问题框架;然而，大多数现有的研究假设理想的代理行为和环境，例如代理的固定速度，同步运动，以及设计良好的环境，多个代理可以轻松地执行任务。然而，这样的环境通常是不可行的;例如，代理的移动速度可能受到天气和地板条件的影响，并且通常容易出现延迟。该方法通过允许智能体的动作速度波动和灵活的工作地点（端点），可以放宽一些不可行的条件，使MAPD应用于更真实的环境。我们的实验表明，我们的方法使代理在这样的环境中有效地执行MAPD相比，基线方法。我们还分析了使用我们的方法的代理的行为，并讨论了局限性。
2023-02-18 cs.MA cs.RO
Heuristic Planner for Communication-Constrained Multi-Agent Multi-Goal Path Planning
Czech Technical University in Prague（布拉格捷克理工大学）；Charles University（查理大学）
本文研究通信受限的多智能体多目标路径规划问题，提出基于图搜索的算法，使机器人在保持通信连通的前提下访问所有目标并最小化完成时间。
2024-12-18 cs.MA cs.RO
Multi-agent Aerial Monitoring of Moving Convoys using Elliptical Orbits
University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们提出了一种新的计划，用于监视动态的地面车队沿非线性轨迹移动，由空中代理商，保持均匀间隔的形成随时间变化的椭圆轨道包围车队。椭圆轨道被使用，因为它们比圆形轨道更经济，用于环绕移动护航队中的目标群。所提出的方案包括一个算法计算可行的椭圆轨道，矢量制导法代理运动沿所需的轨道，和一个合作的策略，以控制速度的空中代理，以快速达到和保持所需的形成。它实现了任务目标，同时占线和角速度限制的空中代理。该方案是通过模拟和实际实验验证与车队的地面机器人和一队的四旋翼作为空中代理，在运动捕捉环境。
2021-03-22 cs.MA cs.RO
Rumor-robust Decentralized Gaussian Process Learning, Fusion, and Planning for Modeling Multiple Moving Targets
Nvidia Corp.（英伟达公司）；Cornell University（康奈尔大学）；TuSimple（图森未来）
本文提出了一种分散的高斯过程（GP）学习，融合和规划（RESIN）形式主义的移动传感器网络主动学习目标运动模型。RESIN的特点是计算和通信效率，以及在传感器网络中的谣言传播的鲁棒性。利用加权指数积规则和高斯信息，提出了一种对谣言鲁棒的分散GP融合方法，从局部GP模型生成全局一致的目标轨迹预测。然后提出了一种分散的信息驱动的路径规划方法，移动传感器生成信息的传感路径。一种新的，恒定大小的信息共享策略的传感器之间的路径协调，并推导出一个解析的目标函数，显着降低了路径规划的计算复杂度。在各种数值模拟中证明了树脂的有效性。
2020-09-13 cs.MA cs.RO cs.SY
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
Finite-time Motion Planning of Multi-agent Systems with Collision Avoidance
在多智能体系统中，具有碰撞避免的实时运动规划是一个具有挑战性的问题。提出了一种基于新的李雅普诺夫障碍函数的分布式控制器，保证了多智能体系统的有限时间稳定性。首先，阐述了多智能体系统的有限时间运动规划问题。然后，基于李雅普诺夫障碍函数，提出了一种新的有限时间分布式控制器。最后通过数值仿真验证了该方法的有效性。
2022-08-03 cs.MA
Modelling Strategic Deceptive Planning in Adversarial Multi-Agent Systems
欺骗在战争中几乎无处不在，应该成为军事行动研究的中心考虑因素。然而，在模拟操作代理行为的研究通常忽略了包括明确的模型欺骗。本文提出了一个计算模型，近似人类的欺骗性规划过程，使真实的表示策略欺骗多智能体系统。所提出的欺骗性规划模型提供了一个框架，用于研究，解释和发现欺骗性行为，从而能够生成对抗性规划问题的新解决方案。
2021-09-07 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
Leveraging Statistical Multi-Agent Online Planning with Emergent Value Function Approximation
针对多智能体在线规划在随机环境中的性能受限问题，提出EVADE方法，利用强化学习在线逼近价值函数以整合全局经验，实验证明其能有效提升规划性能与效率。
2023-12-28 cs.MA
Cooperative Multi-Agent Planning: A Survey
Czech Technical University in Prague（布拉格捷克理工大学）
合作多智能体规划（MAP）是一个相对较新的研究领域，它结合了人工智能规划和多智能体系统社区开发的技术、算法和技术。虽然规划通常被视为一个单一的代理任务，MAP概括了这一概念，考虑多个智能代理合作开发一个行动过程，满足组的目标。本文回顾了最相关的MAP方法，重点关注参加2015年分布式和多智能体规划竞赛的求解器，并根据其关键特征和相对性能对其进行分类。
2017-11-24 cs.AI cs.MA
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
CTRMs: Learning to Construct Cooperative Timed Roadmaps for Multi-agent Path Planning in Continuous Spaces
Tokyo Institute of Technology（东京工业大学）；OMRON SINIC X（欧姆龙先尼克斯）
连续空间中的多智能体路径规划是一个具有重要现实意义的挑战性问题。一个有前途的方法是首先构建图近似的空间，称为路线图，然后应用多智能体寻路（MAPF）算法，以获得一组无冲突的路径。虽然传统的研究已经利用了为单代理规划开发的路线图构建方法，但我们如何构建有效适用于多代理的路线图，在很大程度上仍未探索。为此，我们提出了一个新的概念，称为合作定时路线图（CTRM）的路线图。CTRM使每个代理能够以考虑其他代理的行为以避免代理间冲突（即，为了构建CTRM，我们开发了一种机器学习方法，该方法从相关问题实例和合理解决方案的集合中学习生成模型，然后使用学习的模型对CTRM的顶点进行采样，以获得新的，以前看不见的问题实例。我们的实证评估表明，使用CTRM显着减少了规划工作与可接受的开销，同时保持成功率和解决方案的质量相比，传统的路线图建设方法。
2022-01-24 cs.LG cs.MA cs.RO
Planning over MAPF Agent Dependencies via Multi-Dependency PIBT
University Of Melbourne（墨尔本大学）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
提出多依赖PIBT（MD-PIBT）框架，通过搜索智能体依赖关系来规划多智能体路径，在拥挤环境中高效处理多达10000个智能体，支持多种运动学约束。
2026-07-02 cs.AI cs.MA cs.RO
Generalizable Multi-Agent Planning from Signal Temporal Logic Specifications via Diffusion
Purdue University（普渡大学）
该研究针对多智能体STL规划的通用能力与可扩展性的权衡问题，提出STL引导的扩散方法，实现了可泛化、可扩展且规划多样的多智能体规划，减少了安全违规。
2026-09-01 cs.AI cs.MA cs.RO
GamePlan: Game-Theoretic Multi-Agent Planning with Human Drivers at Intersections, Roundabouts, and Merging
University of Maryland（马里兰大学）
我们提出了一种新的多智能体规划方法，涉及人类驾驶员和自动驾驶汽车（AV）在无信号交叉口，圆形，并在合并。在多智能体规划中，主要的挑战是预测其他智能体的行动，特别是人类驾驶员，因为他们的意图对其他智能体是隐藏的。我们的算法使用博弈论来开发一种新的拍卖，称为GamePlan，它根据每个代理的驾驶风格（通过常用的传感器可以观察到）直接确定每个代理的最佳行动。GamePlan为更具侵略性或不耐烦的驾驶员分配更高的优先级，为更保守或耐心的驾驶员分配更低的优先级;我们从理论上证明了这种方法是游戏理论上最佳的，可以防止碰撞和死锁。我们比较我们的方法与现有的国家的最先进的拍卖技术，包括经济拍卖，基于时间的拍卖（先进先出），和随机投标，并表明，这些方法中的每一个导致代理之间的碰撞时，考虑到司机的行为。我们比较了基于DRL，深度学习和博弈论的方法，并提出了我们对这些方法的好处。最后，我们表明，我们的方法可以在现实世界中实现与人类司机。
2022-03-18 cs.GT cs.MA cs.RO
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
Multi-agent Motion Planning from Signal Temporal Logic Specifications
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Massachusetts Institute of Technology（麻省理工学院）
我们解决了具有挑战性的问题，多智能体合作运动规划的复杂任务，使用信号时序逻辑（STL），机器人可以有非线性和非完整动力学。多智能体运动规划中的现有方法，特别是基于离散抽象和模型预测控制（MPC）的那些方法，在任务的复杂性、工作空间的大小和规划范围方面遭受有限的可扩展性。针对这一问题，提出了一种基于{ \em定时航路点\/}的方法。我们发现，定时路点可以帮助抽象的非线性行为的系统作为安全信封周围的参考路径定义的这些路点。然后搜索满足STL规范的航路点可以归纳编码为一个混合整数线性规划。智能体按照合成的定时航路点自动分配任务，并保证满足STL规范，同时避免冲突。我们评估的算法在各种各样的基准。结果表明，它支持多智能体规划从复杂的规格在长期的规划视野，并显着优于国家的最先进的抽象为基础的和基于MPC的运动规划方法。该实现可在https://github.com/sundw2014/STLPlanning上获得。
2022-01-13 cs.MA cs.RO cs.SY
Mosaic: Runtime-Efficient Multi-Agent Embodied Planning
College of Information and Computer Sciences, University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校信息与计算机科学学院）；Adobe, San Jose（Adobe）
研究基于LLM的多智能体实体规划执行延迟高问题，提出Mosaic框架，通过智能体中心语义内存和整数线性规划应对挑战，在多基准测试中执行更快、调用更少、步数更少且成功率更高，证明相关因素对多智能体规划的重要性。
2026-07-13 cs.MA
Modeling Communication of Collaborative Multi-Agent System under Epistemic Planning
在大多数多智能体应用中，智能体之间的通信是必不可少的，以协调他们的行动，从而实现他们的目标。然而，通信通常具有影响整体系统性能的相关成本。在本文中，我们从认知规划的研究中得到启发，开发了一个通信模型的代理，使他们能够合作，并有效地在规划任务中进行沟通决策。该模型将沟通过程视为一个行动，修改团队的认知状态。在两个模拟任务中，我们评估代理是否可以有效地合作，并实现更高的性能，使用我们的认知规划框架中建模的通信协议。基于使用搜索和救援任务与不同的情况下进行的实证研究，我们的研究结果表明，该模型在所有情况下，提高团队绩效与基线模型相比。
2021-07-12 cs.MA
Receding Horizon Motion Planning for Multi-Agent Systems: A Velocity Obstacle Based Probabilistic Method
NUS Graduate School for Integrative Sciences and Engineering（新加坡国立大学综合科学与工程研究生院）；National University of Singapore（新加坡国立大学）；University of California, Berkeley（加州大学伯克利分校）；Temasek Laboratories（淡马锡实验室）
在本文中，一种新颖的和创新的方法，可行的运动规划的多智能体系统的发展。基于速度障碍物的特性，在滚动时域控制（RHC）问题中引入机会约束，并利用碰撞锥的几何信息为宿主智能体生成速度可行域.通过这种方法，运动规划在速度级而不是位置级进行。因此，它保证了多智能体系统，特别是具有高速移动的智能体的系统的一个更安全的无碰撞的轨迹。此外，在运动规划过程期间可以满足潜在碰撞的概率阈值。为了验证该方法的有效性，不同的情况下，多个代理进行了调查，仿真结果清楚地表明，该方法可以有效地避免潜在的冲突与碰撞概率小于一个特定的阈值。
2021-03-24 cs.MA cs.RO cs.SY
Homotopy-Aware Multi-Agent Path Planning on Plane
OMRON SINIC X Corporation（欧姆龙新思考株式会社）
本文提出基于Dynnikov坐标的高效框架，用于平面中多智能体路径规划，通过结合优先规划生成多个同伦不同的解决方案，并验证其在避免局部最优解方面的有效性。
2025-09-24 cs.CG cs.MA
Connectivity and Set Tracking of Multi-agent Systems Guided by Multiple Moving Leaders
在本文中，我们研究了分布式多智能体跟踪的凸集指定的多个移动的领导人与不可测的速度。在集合跟踪的研究中，考虑了具有不确定性的跟随者智能体的各种联合连接的交互拓扑。基于时变多智能体系统的连通性，得到了一类具有切换有向拓扑的非线性邻居协调规则的集输入-状态稳定性和集积分输入-状态稳定性的充分必要条件.渐近集跟踪的条件也提出了关于由领导人所跨越的多面体。
2011-12-06 cs.MA
SYMPHONY: Synergistic Multi-agent Planning with Heterogeneous Language Model Assembly
School of Information Science and Engineering, Yunnan University, Kunming, China（信息科学与工程学院，云南大学，昆明，中国）；Yunnan Key Laboratory of Intelligent Systems and Computing, Kunming, China（智能系统与计算云南重点实验室，昆明，中国）
SYMPHONY通过整合异构语言模型的多智能体规划框架，提升探索能力与规划性能，实验证明其在复杂任务中的有效性。
2026-01-30 cs.AI cs.MA
Optimizing Agent Collaboration through Heuristic Multi-Agent Planning
针对QDec-FP和QDec-FPS无法处理不同类型感知智能体的问题，提出一种启发式多智能体规划算法，通过强制智能体在感知能力不对称时采用相同计划，显著提升了协作表现。
2024-08-30 cs.AI cs.MA
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
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
Multi-Agent Safe Planning with Gaussian Processes
Stanford University（斯坦福大学）
多智能体安全系统已经成为一个越来越重要的研究领域，因为我们现在可以轻松地让多个人工智能驱动的系统一起运行。在这种情况下，我们不仅需要确保每个个体代理的安全，还要确保整个系统的安全。在本文中，我们介绍了一种新的多代理安全学习算法，使分散的安全导航时，有多个不同的代理在环境中。该算法对其他代理进行了温和的假设，并以分散的方式进行训练，即对其他代理的策略只有很少的先验知识。实验表明，我们的算法表现良好的机器人运行其他算法时，优化各种目标。
2020-08-10 cs.AI cs.LG cs.MA
AIPOM: Agent-aware Interactive Planning for Multi-Agent Systems
针对多智能体 LLM 规划缺乏透明性与可控性的问题，本文提出 AIPOM，通过对话和图界面支持人在回路检查、细化与协作引导计划。
2025-09-29 cs.HC cs.MA
Agent+P: Guiding UI Agents via Symbolic Planning
University of Notre Dame（圣母大学）；Arizona State University（亚利桑那州立大学）
AGENT+P通过符号规划引导UI代理，提升UI自动化任务的成功率和效率。
2026-09-27 cs.MA
Cooperative Label-Free Moving Target Fencing for Second-Order Multi-Agent Systems with Rigid Formation
本文针对二阶多智能体系统提出一种无标签协同围栏控制器，通过内模动态调节器与相邻排斥力实现刚性编队、避碰及对变速移动目标的围捕，并给出闭环系统渐近稳定性的充分条件与仿真验证。
2023-11-02 cs.MA
Multi-Objective Multi-Agent Planning for Discovering and Tracking Multiple Mobile Objects
该研究面向多智能体发现与跟踪未知数量移动物体的在线规划问题，提出基于POMDP的信息论多目标控制框架，并利用子模性与贪婪搜索给出具有复杂度和最优性保证的可扩展算法。
2024-07-03 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
Interactive POMDP Lite: Towards Practical Planning to Predict and Exploit Intentions for Interacting with Self-Interested Agents
National University of Singapore（新加坡国立大学）
非合作多代理系统中的一个关键挑战是为智能代理开发有效的规划算法，以在有限理性的、自私的代理（例如，人类）。解决这一挑战的现有工程的实用性正在被破坏，由于其他代理人的行为的限制性假设，在占他们的理性，或建模和预测他们的意图的成本过高的失败。为了提高在这一领域的研究的实用性，我们调查如何意图预测可以有效地利用和实用的规划，从而导致有效的意图感知规划框架能够预测其他代理人的意图，并采取最佳行动相对于他们的预测意图。我们表明，由此产生的规划政策的性能损失是线性有界的意图预测的错误。通过一系列随机博弈的实证评估表明，我们的政策可以实现更好的和更强大的性能比国家的最先进的算法。
2013-04-18 cs.AI 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
A Formal Analysis of Required Cooperation in Multi-agent Planning
Arizona State University（亚利桑那州立大学）
多智能体规划是近年来的研究热点。虽然以前的研究一直是出于这样一种理解，即通过合作，多智能体系统可以实现单智能体系统无法实现的任务，但没有正式的描述需要合作才能实现目标的情况，从而阻碍了多智能体系统的应用。在本文中，我们提供了这样一个正式的讨论，从规划方面。我们首先表明，确定是否需要合作（RC）是棘手的是一般的。然后，通过划分的问题，需要合作（简称为RC问题）分为两类-异构和同质代理的问题，我们的目标是确定所有的条件，可以导致RC在这两个类。我们建立，当这些确定的条件都不成立时，问题是单代理可解的。此外，有一些假设，我们提供了一个上限的最小数量的代理商所需的RC问题与同质代理。这项研究不仅提供了新的见解多智能体规划，但也有许多应用。例如，在人机合作中，当机器人无法完成任务时，可能是由于RC。在这种情况下，人类队友应该被告知，因此，与其他可用的机器人协调解决方案。
2014-04-22 cs.AI cs.MA
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
Boltzmann-based Exploration for Robust Decentralized Multi-Agent Planning (Extended Version)
本文提出CB-MCTS，通过玻尔兹曼策略和熵奖励提升多智能体规划的鲁棒性，在欺骗场景中表现更优。
2026-03-10 cs.AI cs.MA
Multi-agent Coordination in Directed Moving Neighborhood Random Networks
在本文中，我们考虑的一致性问题的动态多个代理商，通过一个有向移动邻域随机网络进行通信。每个智能体在一个加权有向网络上进行随机游走。当代理在给定时刻在底层网络中重合时，它们通过随机的单向信息流相互交互。对于这样一个框架，我们提出了几乎必然渐近共识的充分条件。一些现有的共识方案被证明是当前模型的简化版本。
2009-09-18 cs.IT cs.MA math.IT
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
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
Reducing Collision Risk in Multi-Agent Path Planning: Application to Air traffic Management
为了最小化具有随机转移动力学的多智能体路径规划问题中的碰撞风险，我们制定了一个马尔可夫决策过程拥塞博弈的多线性拥塞成本。玩家在游戏中完成各自的任务，同时最大限度地减少自己的碰撞风险。我们表明，纳什均衡集与一个非凸优化问题的一阶KKT点重合。我们的游戏被应用到法国的历史飞行计划，以减少商业飞机之间的碰撞风险。
2022-12-10 cs.GT cs.MA
Consensus Planning with Primal, Dual, and Proximal Agents
Amazon Supply Chain Optimization Technologies（亚马逊供应链优化技术）
本文提出了一种允许不同类型的智能体协调的共识规划算法，结合了ADMM-like、对偶上升和线性化ADMM更新，实现了次线性及线性收敛性，并提供了实证结果。
2025-11-21 cs.MA math.OC
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
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
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
SPA: Verbal Interactions between Agents and Avatars in Shared Virtual Environments using Propositional Planning
UNC Chapel Hill（北卡罗来纳大学教堂山分校）；University of Maryland（马里兰大学）
我们提出了一种新的方法，用于在共享虚拟环境中生成虚拟类人代理和用户化身之间的合理的口头交互。Sense-Plan-Ask（SPA）扩展了命题规划和自然语言处理的先前工作，使代理能够利用不确定的信息进行规划，并利用与其他代理和化身的问答对话来获得所需的信息并完成其目标。代理另外能够使用自然语言来响应来自化身和其他代理的问题，从而实现实时多代理多化身通信环境。我们的算法可以模拟数十个虚拟代理在交互速率交互，移动，通信，规划和重新规划。我们发现，我们的算法创建了一个小的运行时成本，使代理更有效地完成他们的目标比代理没有能力利用自然语言通信。我们展示了一组模拟基准的定量结果，并详细介绍了初步的用户研究的结果，以评估由SPA产生的虚拟交互的可扩展性。总的来说，我们发现，参与者更喜欢SPA在84%的响应，包括自然语言交互的可扩展性和这些交互的积极影响方面的显着好处先前的技术。
2020-02-08 cs.CL cs.MA
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
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
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
Single-Agent Planning in a Multi-Agent System: A Unified Framework for Type-Based Planners
针对多智能体环境中无对手先验信息的单智能体规划权衡问题，提出统一理论框架涵盖精确到近似解的规划器，实验验证13个规划器（含安全智能体及其增强变体）在多智能体路径规划场景的性能，为多智能体决策提供新见解。
2025-02-13 cs.GT cs.MA
