Resolve Highway Conflict in Multi-Autonomous Vehicle Controls with Local State Attention
VNU University of Engineering and Technology（越南工程大学）
本文提出局部状态注意力模块，通过自注意力压缩邻近车辆关键信息，解决多自动驾驶车辆在高速公路合流中的局部冲突，并在高密度交通下显著提升合流效率。
2025-06-13 cs.AI cs.LG
Multi-Agent Pathfinding with Non-Unit Integer Edge Costs via Enhanced Conflict-Based Search and Graph Discretization
China Mobile Group Hunan Company Limited（中国移动通信集团湖南有限公司）
本文提出MAPFZ，一种处理非单位整数边成本的多智能体路径规划变种，通过增强的基于冲突搜索框架和图离散化方法，提升了求解效率和现实准确性。
2026-04-07 cs.AI
Multi-objective Conflict-based Search Using Safe-interval Path Planning
Carnegie Mellon University（卡内基梅隆大学）；Texas A&M University（德州农工大学）
本文讨论了一个推广的著名的多智能体路径寻找（MAPF）问题，同时优化多个相互冲突的目标，如旅行时间和路径风险。这种概括，被称为多目标MAPF（MOMAPF），出现在几个应用范围从危险材料运输到建筑工地规划。在本文中，我们提出了一种新的多目标冲突为基础的搜索（MO-CBS）的方法，依赖于一种新的多目标安全区间路径规划（MO-SIPP）算法，其低级别的搜索。我们首先开发了MO-SIPP算法，展示了它的性质，然后将它嵌入到MO-CBS中。我们提出了广泛的数值结果表明：（1）有一个数量级的改善，在平均低级别的搜索时间，和（2）一个显着的改善，找到帕累托最优的前沿的成功率可以得到使用所提出的方法相比，以前的MO-CBS。
2022-03-04 cs.AI cs.RO
A Conflict-Based Search Framework for Multi-Objective Multi-Agent Path Finding
Carnegie Mellon University（卡内基梅隆大学）；Texas A&M University（德克萨斯农工大学）
传统的多智能体路径规划器通常在优化单个目标（例如路径长度）的同时计算路径的集合。然而，许多应用可能需要在规划期间同时优化多个目标，例如燃料消耗和完成时间，并且这些标准可能不容易比较，并且有时彼此竞争。因此，问题的目标是找到一组帕累托最优解，而不是一个单一的最优解。简单地将现有的多目标搜索算法（诸如多目标A*（MOA*））应用于多智能体路径查找可能被证明是低效的，因为搜索空间的维度随着智能体的数量呈指数增长。本文提出了一种名为多目标基于搜索（MO-CBS）的方法，该方法试图通过利用先前的基于搜索的搜索（CBS）（一种用于单目标多智能体路径查找的知名算法）和多目标优化文献中的优势原则来解决这种所谓的维数灾难。我们还开发了几种变体的MO-CBS，以提高其性能。我们证明了MO-CBS及其变体可以计算整个Pareto最优集。数值结果表明，MO-CBS优于最近开发的国家的最先进的多目标多智能体规划器。
2022-06-12 cs.AI cs.RO
Subdimensional Expansion Using Attention-Based Learning For Multi-Agent Path Finding
Texas A&M University（得克萨斯农工大学）；Carnegie Mellon University（卡内基梅隆大学）
多代理路径查找（MAPF）为多个代理从各自的起始位置到目标位置查找无冲突路径。MAPF是具有挑战性的联合配置空间增长指数的代理数量。在MAPF规划者中，基于搜索的方法，如CBS和M*，通过采用动态耦合策略有效地绕过了维数灾难：代理人首先以完全解耦的方式进行规划，其中代理人之间的潜在冲突被忽略;然后代理人要么遵循各自的计划，要么耦合在一起进行规划，以解决它们之间的冲突。一般来说，冲突的数量决定了这些规划器的运行时间，现有的工作主要集中在如何有效地解决这些冲突。在这项工作中，我们采取不同的观点，旨在减少冲突的数量（从而提高整体搜索效率），通过提高每个代理的个人计划。通过利用一个可视化的Transformer，我们开发了一个基于学习的单智能体规划器，它计划一个单一的代理，同时注意地图的结构和其他代理可能发生冲突。然后，我们开发了一种新的多智能体规划器称为LM* 通过集成这种基于学习的单智能体规划器与M*。我们的研究结果表明，对于“看不见”和“看不见”的地图，与M* 相比，LM* 有更少的冲突要解决，因此，运行更快，享有更高的成功率。我们的经验表明，LM* 计算的MAPF解决方案是接近最优的。我们的代码可在https://github.com/lakshayvirmani/learning-assisted-mstar上获得。
2021-09-29 cs.AI cs.RO
Multi Agent Path Finding with Awareness for Spatially Extended Agents
Centre for AI and Robotics(CAIR), DRDO（国防研究与发展组织人工智能与机器人中心）；Indian Institute of Science（印度科学学院）
路径寻找问题涉及到一个计划的识别冲突自由移动的代理商在一个共同的道路网络。大多数解决这个问题的方法都将代理作为点对象处理，其中代理的大小明显小于它行驶的道路。在本文中，我们考虑空间扩展的代理，其大小与他们旅行的道路的长度相当。在扩展冲突搜索（XCBS）算法中，提出了一种面向空间扩展智能体的多智能体最优路径搜索方法。由于XCBS一次只解决一对冲突，因此在给定位置发生级联或多个（两个以上代理）冲突的情况下，它会导致更深的搜索树。这个问题是解决扩展的基于冲突的搜索与意识（XCBS-A），其中一个代理使用其他代理的计划，使自己的计划的认识。在本文中，我们探讨XCBS-A在更详细的，我们从理论上证明了它的完整性和经验证明其性能与其他算法的道路特性，代理特性和计划特性的差异。我们证明了分布式的算法的性质，通过评估其性能时，分布在多台机器。XCBS-A产生一个巨大的搜索空间影响其效率的内存方面，为了解决这个问题，我们提出了一种方法的内存效率和经验证明的算法的性能。XCBS-A的性质是这样的，它可能会导致次优的解决方案，因此本文的最后贡献是一个增强的方法，XCBS-Local Awareness（XCBS-LA），我们证明这将是最佳的和完整的。
2020-09-20 cs.AI
Optimal Task Assignment and Path Planning using Conflict-Based Search with Precedence and Temporal Constraints
Carnegie Mellon University（卡内基梅隆大学）
本文研究带优先级和时间约束的任务分配与路径规划问题，扩展Conflict-Based Search以同时生成无碰撞路径和任务分配，最大化强化学习奖励回报，高效解决拆弹等复杂任务。
2024-04-22 cs.AI cs.MA
Justifying and Improving Meta-Agent Conflict-Based Search
基于元Agent的搜索算法MA-CBS是近年来提出的一种多Agent路径搜索算法。该算法是基于Agent的搜索算法CBS的一个扩展，当Agent之间的冲突超过一定阈值时，CBS算法自动将冲突Agent合并为元Agent。然而，合并代理的决定是根据经验选择的冲突数量的固定阈值做出的。最佳阈值取决于域和代理的数量，并且依赖性的性质还不清楚。我们根据对模型问题的分析，提出了使用冲突数量固定阈值的理由。根据建议的理由，我们引入新的决策政策的MA-CBS算法，大大提高了算法的性能。改进的算法的变体进行评估的几组问题，选择强调不同方面的算法。
2014-10-23 cs.AI
Conflict-Based Search for Explainable Multi-Agent Path Finding
University of Colorado Boulder（科罗拉多大学博尔德分校）；Technion（以色列理工学院）
在多智能体路径查找（MAPF）问题中，目标是为环境中的智能体找到无冲突的路径，使得每个智能体从其初始位置到达其目标。在安全关键应用中，人类监督者可能想要验证计划确实是无冲突的。为此，最近的工作介绍了一个概念的可解释性MAPF的基础上可视化的计划作为一个短序列的图像表示的时间段，其中在每个时间段的代理的轨迹是不相交的。然后，可解释的MAPF问题要求一组不冲突的路径，承认一个足够短的解释。可解释的MAPF给MAPF增加了一个新的困难，因为它是NP难的环境的大小，而不仅仅是代理的数量。因此，传统的MAPF算法不具备直接处理可解释的MAPF。在这项工作中，我们适应基于冲突的搜索（CBS），一个研究的算法MAPF，处理可解释的MAPF。我们将展示如何在标准CBS树及其底层A* 搜索之上添加可解释性约束。我们研究这种方法的有用性，特别是规划时间和可解释性之间的权衡。
2022-04-04 cs.AI cs.MA
Symmetry Breaking for k-Robust Multi-Agent Path Finding
Monash University（莫纳什大学）
在多智能体路径查找（MAPF）问题中，智能体可能会因意外事件而延迟。为了解决这种情况下，最近的工作描述了k-鲁棒的基于搜索（k-CBS）：一种算法，产生协调和无冲突的计划，是强大的k延迟。在这项工作中，我们引入了各种成对的对称破缺约束，具体到k-鲁棒规划，可以有效地找到兼容的和最佳的路径对冲突的代理。我们对新的限制进行了全面的描述，并报告了一系列领域的成功率的大幅提高，包括：（i）经典的MAPF基准;（ii）自动化仓库领域;（iii）2019年平地挑战赛的地图，最近推出的铁路领域，k-鲁棒规划可以有效地应用于调度列车。
2021-10-28 cs.AI
Clique Analysis and Bypassing in Continuous-Time Conflict-Based Search
University of Denver（丹佛大学）；Lockheed Martin Corporation（洛克希德·马丁公司）；University of Alberta（阿尔伯塔大学）；Ben Gurion University（本·古里安大学）
本文针对连续时间多智能体路径规划，将旁路与双团约束等对称性破坏增强方法引入CCBS求解器，并创新结合不相交分裂，实验证明在密集图上显著提升求解规模。
2023-12-26 cs.AI cs.MA cs.RO
Improving Continuous-time Conflict Based Search
Peoples’ Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学）；Federal Research Center for Computer Science and Control of Russian Academy of Sciences（俄罗斯科学院计算机科学与控制联邦研究中心）；HSE University（高等经济学院）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Palo Alto Research Center（帕洛阿尔托研究中心）
基于时间的搜索（CBS）是一个强大的算法框架，用于优化解决经典的多智能体路径寻找（MAPF）问题，其中时间被离散为时间步长。连续时间CBS（CCBS）是最近提出的CBS版本，保证最优解，而不需要离散时间。然而，CCBS的可扩展性是有限的，因为它不包括CBS的任何已知的改进。在本文中，我们开始缩小这一差距，并探讨如何适应成功的CBS的改进，即优先冲突（PC），不相交的分裂（DS），和高层次的竞争，连续时间设置的CCBS。这些适应是不平凡的，需要仔细处理不同类型的约束，应用广义版本的安全间隔路径规划（SIPP）算法，并扩展基数冲突的概念。我们通过在一般图和$2^k$邻域网格上运行实验来评估所建议的增强效果。具有这些改进的CCBS显著优于普通CCBS，在某些情况下解决了几乎两倍于多代理的问题，并在连续时间域中推动了多代理路径查找的极限。
2021-03-02 cs.AI cs.MA
Solving Multi-Agent Multi-Goal Path Finding Problems in Polynomial Time
Charles University Prague（查尔斯大学布拉格）
本文提出在多项式时间内解决多智能体多目标路径寻找问题的新方法，通过全局分配策略和局部优化减少冲突，实现高效路径规划。
2025-12-17 cs.AI cs.MA
Revisiting the Complexity Analysis of Conflict-Based Search: New Computational Techniques and Improved Bounds
Technion–Israel Institute of Technology（以色列理工学院）
多智能体路径查找（MAPF）问题要求在给定的环境中为一组智能体找到一组无冲突的路径。可以说，计算最优解的最先进方法是基于搜索的搜索（CBS）。在这项工作中，我们重新审视CBS的复杂性分析，在最坏的情况下，算法的运行时间提供更严格的界限。我们的分析铺平了道路，以更好地查明参数，治理（在最坏的情况下）的算法的计算复杂性。我们的分析是基于两种互补的方法：在第一种方法中，我们绑定的运行时使用的多值决策图（MDD）的大小-一个分层的图，其中包含所有可能的单代理路径之间的两个给定的顶点为一个特定的路径长度。在第二种方法中，我们表示的运行时间由一个新的递归关系的边界算法的复杂性。我们使用基于生成函数的分析，以紧密结合的递归。使用这些技术，我们提供了几个新的上限CBS的复杂性。结果使我们能够改善现有的约束CBS的运行时间在许多情况下。例如，在一组常见的基准测试中，我们将上限至少提高了$2^{10^{7}}$。
2021-04-18 cs.AI cs.CC cs.MA
Decentralised Approach for Multi Agent Path Finding
多代理路径查找（MAPF）需要识别代理的无冲突路径，这些路径可以是点大小的或具有维度的。在本文中，我们提出了一种方法MAPF空间扩展代理。这些发现应用在现实世界中的问题，如conventional运动问题，训练调度等，我们提出的方法，分散式多智能体路径查找（DeMAPF），处理MAPF作为一个序列的路径规划和分配问题，分别由两组代理旅行者和路由器，在多次迭代。分散的方法允许代理解决与自己相关的问题，而不知道同一集中的其他代理。这允许代理在独立的机器上执行，从而导致处理大型问题的可扩展性。我们证明，通过与其他分布式方法相比，该方法导致更快的收敛到一个无冲突的解决方案，这可能是次优的，与较少的内存需求。
2021-06-03 cs.AI cs.MA
A Conflict-Aware Optimal Goal Assignment Algorithm for Multi-Robot Systems
Indian Institute of Technology Kanpur（坎普尔印度理工学院）
本文针对多机器人目标分配中的NP难问题，提出一种冲突感知的最优目标分配算法，通过冲突引导的次优分配计算和两项路径计算优化，在基准测试中实现近一个数量级加速。
2024-02-19 cs.AI cs.MA cs.RO
Towards Information-Optimized Multi-Agent Path Finding: A Hybrid Framework with Reduced Inter-Agent Information Sharing
本文提出了一种减少智能体间信息共享的混合框架IO-MAPF，通过强化学习和轻量级集中协调器实现高效多智能体路径寻找，在信息受限条件下保持高成功率。
2026-02-22 cs.AI cs.MA cs.RO
Multi-Objective Multi-Agent Path Finding with Lexicographic Cost Preferences
针对多目标多智能体路径规划未显式优化用户偏好且扩展性差的问题，提出字典序框架及LCBS算法，结合优先级感知的A*与基于冲突的搜索，高效生成符合偏好的最优解，在多达十目标下扩展性显著优于现有方法。
2025-10-12 cs.AI cs.MA
Multi-agent Path Finding in Continuous Environment
Faculty of Information Technology Czech Technical University in Prague Prague, Czech Republic
针对连续环境下智能体沿平滑曲线移动的多智能体路径规划变体问题，提出结合高层CBS框架与低层RRT*的CE-CBS算法，实验证明其性能与连续时间MAPF等同类算法相当。
2024-09-16 cs.AI cs.MA
Cost Splitting for Multi-Objective Conflict-Based Search
Tsinghua University（清华大学）；University of Southern California（南加利福尼亚大学）；Carnegie Mellon University（卡内基梅隆大学）
多目标多智能体路径查找（MO-MAPF）问题是在最小化多个成本指标的同时为一组智能体找到无冲突路径的帕累托最优边界的问题。这样的成本度量的例子包括到达时间，旅行距离，和能源consumption.In本文中，我们专注于多目标基于搜索（MO-CBS）算法，一个国家的最先进的MO-MAPF算法。我们发现，标准的分裂策略使用的MO-CBS可能会导致重复的搜索节点，因此可以重复的搜索工作，MO-CBS需要。为了解决这个问题，我们提出了两个新的拆分策略MO-CBS，即成本拆分和不相交的成本拆分。我们的理论结果表明，当结合这两个新的分裂策略，MO-CBS保持其完整性和最优性保证。我们的实验结果表明，不相交的成本拆分，我们最好的拆分策略，加快了MO-CBS的两个数量级，并大大提高了其成功率在各种设置。
2022-11-23 cs.AI cs.MA cs.RO
Multi-Agent Path Finding For Large Agents Is Intractable
HSE University（莫斯科国立高等经济大学）；FRC CSC RAS（俄罗斯科学院应用系统分析研究所）；AIRI（人工智能研究所）
本文研究考虑智能体尺寸的MAPF计算复杂性，通过将3SAT归约为该问题，首次证明含大型智能体的MAPF是NP难的。
2025-05-15 cs.AI cs.CC cs.MA
Disentangling Reasoning Logic to Resolve Explicit Knowledge Conflicts
School of Computer Science, University of Auckland（奥克兰大学计算机科学学院）；Department of Electronics and Electrical Engineering, National Yang Ming Chiao Tung University（国立阳明交通大学电子与电机工程学系）；School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）；Shenzhen Key Laboratory of Internet Information Collaboration, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）深圳市互联网信息协同重点实验室）
提出KCR框架，通过将冲突上下文解耦为推理轨迹并利用强化学习优化逻辑一致性，有效解决LLM中的显式知识冲突，7B模型性能超越GPT-4o等。
2026-07-01 cs.AI
Key Path Identification for Resolving Knowledge Conflicts via SAE-based Steering
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Nanyang Technological University（南洋理工大学）
提出关键路径识别（KPI）方法，通过识别具有强因果依赖的SAE特征构建关键路径，以少量特征修改实现更精确的引导，在RAG知识冲突任务中平均准确率提升18%。
2026-09-09 cs.AI
A Conflict-aware Evidential Framework for Reliable Sleep Stage Classification
College of Computer Science, Northwest University, Xi'an, China（西北大学计算机科学学院）
本文提出了一种考虑冲突的证据框架ConfSleepNet，用于可靠地进行睡眠阶段分类，通过动态解决不同视图之间的冲突，提高分类的可靠性。
2026-05-16 cs.AI
CoRect: Context-Aware Logit Contrast for Hidden State Rectification to Resolve Knowledge Conflicts
Beihang University（北航大学）
CoRect通过上下文感知logit对比校正隐藏状态，解决模型内部参数化知识与检索证据之间的冲突，提升生成任务的忠实度和减少幻觉。
2026-02-09 cs.AI cs.CL
Dynamic Multi-Agent Path Finding based on Conflict Resolution using Answer Set Programming
Sabanci University（萨班哲大学）
我们研究了一个动态版本的多智能体路径寻找问题（称为D-MAPF），现有的代理人可能会离开，新的代理人可能会加入团队在不同的时间。提出了一种基于冲突消解的D-MAPF算法。这个想法是，当一组新的代理加入团队，有冲突，而不是重新规划整个团队，重新规划只有一个最小的子集的代理，其计划相互冲突。我们利用答案集编程作为我们的方法的一部分，规划，重新规划和确定最小的冲突集。
2020-09-22 cs.AI cs.LO cs.MA
A Conflict-Based Path-Generation Heuristic for Evacuation Planning
NICTA（澳大利亚国家信息与通信技术研究院）；University of Melbourne（墨尔本大学）；Ecole des Mines de Nantes（南特矿业学院）
疏散规划和调度是灾害管理和国家安全应用的一个重要方面。提出了一种基于冲突的疏散路径生成方法。其核心思想是为疏散区域惰性地生成疏散路线，并在主问题中优化这些路线上的疏散。每个新路径的生成是为了解决疏散中的冲突，并在主问题中添加新列和新行。该算法被应用到大规模的洪水情况下，在霍克斯伯里-内湖河（西悉尼，澳大利亚），需要疏散的顺序为70,000人。所提出的方法减少了变量的数量从4，500，000在一个混合规划（MIP）制定30，000的情况下，研究。通过这种方法，可以实时的近似最优地解决现实的疏散场景，支持战略，战术和作战环境中的疏散规划。
2013-09-10 cs.AI math.OC
Enhancing Conflict Resolution in Language Models via Abstract Argumentation
School of Philosophy, Zhejiang University（浙江大学哲学系）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；The State Key Lab of Brain-Machine Intelligence（脑机智能国家重点实验室）
针对大语言模型难以处理信息不完整/不一致引发冲突的问题，本文结合抽象论证框架构建带计算过程解释的数据集微调模型，提升了冲突解决泛化准确率与模型透明度。
2025-11-13 cs.AI
Lazy Modeling of Variants of Token Swapping Problem and Multi-agent Path Finding through Combination of Satisfiability Modulo Theories and Conflict-based Search
Czech Technical University in Prague（布拉格捷克理工大学）
本文讨论了图中的项重定位问题。我们假设在无向图的顶点上放置的项目，每个顶点最多有一个项目。物品可以在边缘上移动，同时必须满足各种约束条件，这取决于重新定位问题的类型。我们介绍了一个一般的问题制定，包括已知类型的项目搬迁问题，如多代理路径查找（MAPF）和令牌交换（TSWAP）。在这个公式中，我们表示两种新类型的搬迁问题来自令牌交换，我们称之为令牌旋转（TROT）和令牌置换（TPERM）。我们的解决方案的项目搬迁相结合的可满足性模理论（SMT）与基于冲突的搜索（CBS）。我们在SMT框架中解释CBS，在SMT框架中，我们从基本模型开始，并在当前解决方案中发生项之间的冲突时使用冲突解决约束来细化模型。标准CBS和我们基于SMT的CBS修改（SMT-CBS）之间的关键区别在于，标准CBS分支搜索以解决冲突，而在SMT-CBS中，我们迭代地添加单个析取冲突解决约束。在多个基准测试上的实验结果表明，SMT-CBS算法的性能明显优于标准CBS算法。我们还比较了SMT-CBS与基于SAT的MDD-SAT求解器的修改，该求解器使用项目重新定位的渴望建模，其中所有潜在的冲突都通过约束提前消除。实验表明，SMT-CBS中的懒惰方法产生的约束比MDD-SAT少，也实现了更快的求解运行时间。
2018-09-16 cs.AI
ACCoRD: Actor-Critic Conflict Resolution with Deep learning for O-RAN xApps
Institute of Radiocommunications（无线电通信研究所）；Poznan University of Technology（波兹南技术大学）
本文提出了一种基于深度学习的Actor-Critic冲突解决方法ACCoRD，用于在O-RAN xApps中实时解决控制冲突，通过强化学习算法PPO-Clip训练人工神经网络，提高了规则方法在中高流量场景下的效率。
2026-05-21 cs.AI cs.MA
Bookkeeping, Composition, or Unreachable Gold? Reading MemoryAgentBench's Conflict-Resolution Scores Against a Frozen Last-Write Resolver
Salesforce AI Research（赛富时人工智能研究院）
本研究通过冻结的最后写入解析器执行 MemoryAgentBench 冲突解决基准，发现官方指标下规则可答对 80.25% 问题，但 67 个不可达项目暴露了可达性分割和解析器残留，强调逐项分割而非总体分数才是解读关键。
2026-10-08 cs.AI cs.CL
Multi-agent Path Finding with Continuous Time Viewed Through Satisfiability Modulo Theories (SMT)
Czech Technical University in Prague（布拉格捷克理工大学）
本文提出了一种多智能体路径搜索算法（MAPF）。提出了一种基于可满足性模理论（SMT）求解最大完工时间最优解的新方法。标准的MAPF是一个任务，导航代理在无向图从给定的起始顶点到给定的目标顶点，使代理不相互冲突的顶点图。在连续的版本（MAPF $^\mathcal{R}$）代理移动在$n$维欧氏空间沿着直线互连预定义的位置。为了简单起见，我们使用在2D平面中具有恒定速度的圆形全向代理。由于代理可以具有不同的大小并且沿着线平滑地移动，因此如果使用较大的代理执行相同的移动，则使用较小的代理沿着某些线的非碰撞移动可能导致碰撞。我们的基于SMT的方法为MAPF $^\mathcal{R}$称为SMT-CBS $^\mathcal{R}$重新制定了基于SMT的搜索（CBS）算法的SMT概念。我们建议延迟生成决策变量和约束。每次发现新的冲突时，底层编码都将使用新的变量和约束进行扩展，以消除冲突。我们比较了SMT-CBS $^\mathcal{R}$和CBS对MAPF连续变量的适应性。
2019-03-23 cs.AI
A Causal Model of Theory of Mind in Conflict for Artificial Intelligence
Institute for Creative Technologies, University of Southern California（南加州大学创意技术研究所）
提出结构因果模型，将心智理论视为由情境和主体条件激活的机制，通过三条因果路径决定何时进行心智化，提升AI社会推理的准确性和效率。
2026-07-16 cs.AI cs.HC
DRAGged into Conflicts: Detecting and Addressing Conflicting Sources in Search-Augmented LLMs
Google Research（谷歌研究）
本研究针对检索增强生成（RAG）中检索源信息冲突的问题，提出知识冲突分类体系与首个专家标注的CONFLICTS基准，实验发现现有大语言模型冲突解决能力不足，显式推理冲突可提升回答质量，为相关研究指明方向。
2025-06-15 cs.AI cs.CL cs.LG
ClashBench: Conflicts Leading Agents to Seize and Harm
Tsinghua University（清华大学）；Shanghai AI Lab（上海人工智能实验室）；Fudan University（复旦大学）；HKUST（香港科技大学）；KAUST（阿卜杜拉国王科技大学）
本研究识别并形式化了智能体系统中的破坏性资源抢占风险，提出ClashBench基准（268个冲突案例），评估17个模型发现44.5%的轨迹存在该行为，且现有提示防护不足，呼吁加强权限控制与任务隔离。
2026-09-18 cs.AI cs.CR
Efficiently Exploring Ordering Problems through Conflict-directed Search
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
在规划和调度中，同时具有状态和时间约束的问题很难求解，因为这些约束可能是高度耦合的。明智的事件排序使求解器能够有效地对动作序列做出决策，以满足复杂的混合规范。因此，排序问题是规划的基础。最近有前途的工作已经探索了搜索的排序问题，结合一个特殊的树结构的效率。然而，这样的方法只推理部分订单规格。已经观察到排序相对于底层约束是不一致的，现有的工作没有利用树结构来有效地生成解决不一致的排序。在本文中，我们提出了一种冲突导向的搜索方法，以增量和系统地生成事件的总订单给定的排序关系和冲突返回的子求解器的增量总排序（CDITO）。由于其对冲突进行推理的能力，CDITO比增量总排序更有效。我们证明了这一点的基准时间网络配置问题，涉及路由网络流量和分配带宽资源随着时间的推移。
2019-04-15 cs.AI cs.DM
Solution Space Path Planning: A Real-Time Human-Centered Path Planning Algorithm for En-Route Air Traffic Control
Delft University of Technology（代尔夫特理工大学）
提出一种基于解空间的冲突避免路径规划算法，集成三种意图冲突检测方法，通过顶点和边搜索节点实现高效计算，在MUAC Delta扇区测试中平均计算时间3.69毫秒。
2026-08-03 cs.AI cs.RO cs.SY
