SmartAgent: Chain-of-User-Thought for Embodied Personalized Agent in Cyber World
Tsinghua University(清华大学);University of Queensland(昆士兰大学)
本文提出 COUT 用户思维链范式及 SmartAgent 框架,并构建 SmartSpot 数据集,使具身智能体能在网络 GUI 环境中推理用户显式与隐式个性化需求。
2025-02-18 cs.AI
SMH-Bench: Benchmarking LLM Agents for Environment-Grounded Reasoning and Action in Smart Homes
Midea Group(美的集团);Beijing University of Posts and Telecommunications(北京邮电大学);Donghua University(东华大学);The University of Sydney(悉尼大学);Peking University(北京大学)
提出SMH-Bench基准,基于可执行模拟器HomeEnv,通过1100个任务评估LLM在智能家居中的推理与行动能力,发现前沿模型在自动化调度、模糊处理和个性化推理方面存在不足。
2026-06-01 cs.AI
SimuHome: A Temporal- and Environment-Aware Benchmark for Smart Home LLM Agents
Graduate School of Data Science, Seoul National University(首尔国立大学数据科学研究生院);Department of Information Systems, Hanyang University(翰阳大学信息系统系)
SimuHome是一个基于Matter协议的智能家庭LLM代理基准,用于评估智能家庭代理在时间与环境感知方面的能力,特别是工作流调度的挑战。
2026-03-02 cs.AI cs.CL
SmartSalesBench: A Resistance-Aware Multi-Turn Benchmark for Evaluating LLM Sales Agents
SmartSalesBench是首个针对LLM销售智能体的多轮对话基准,以抗拒性买家角色为评估对象,含多类配置与实验,采用RAG生成,设三类评估指标,结合自动与人工评估验证有效性。
2026-10-12 cs.AI cs.CL
See-Control: A Multimodal Agent Framework for Smartphone Interaction with a Robotic Arm
University College London(伦敦大学学院);Imperial College London(伦敦帝国学院);Huawei Noah’s Ark Lab(华为诺亚实验室);ShanghaiTech University(上海科技大学);Southern University of Science(南方科技大学)
See-Control通过直接与机械臂交互实现智能手机操作,无需ADB或系统后台访问,提供了一个平台无关的多模态代理框架。
2025-12-09 cs.AI cs.CV cs.HC
Ask-before-Plan: Proactive Language Agents for Real-World Planning
National University of Singapore(新加坡国立大学);Singapore Management University(新加坡管理大学)
本文提出主动智能体规划任务与 Ask-before-Plan 基准,并设计含澄清、执行、规划三智能体及轨迹调优、记忆回想机制的 CEP 框架,验证其有效性。
2024-10-02 cs.AI cs.CL
Revealing the Barriers of Language Agents in Planning
Fudan University(复旦大学);Carnegie Mellon University(卡内基梅隆大学);ByteDance Inc.(字节跳动公司);The Ohio State University(俄亥俄州立大学)
本文通过特征归因研究揭示了阻碍语言智能体规划的两个关键因素:约束作用有限和问题影响减弱,并指出当前策略仅能缓解而无法完全解决这些挑战。
2024-10-16 cs.AI cs.CL
Cooperative Strategic Planning Enhances Reasoning Capabilities in Large Language Models
Carnegie Mellon University(卡内基梅隆大学);Tsinghua University(清华大学)
针对多智能体LLM协作不足的问题,本文提出CoPlanner框架,由规划智能体提供战略提示、推理智能体执行推断,并用PPO训练规划策略,显著提升多步骤推理性能。
2024-10-25 cs.AI cs.CL
SmartChunk Retrieval: Query-Aware Chunk Compression with Planning for Efficient Document RAG
University of Michigan(密歇根大学);Adobe Research(Adobe研究)
SmartChunk通过查询自适应框架和强化学习方案提升长文档问答效率与准确性。
2025-12-17 cs.AI cs.CL cs.IR
SMART: Self-Aware Agent for Tool Overuse Mitigation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM Research AI(IBM人工智能研究院)
本文提出SMART范式及SMARTAgent模型,通过增强智能体自我意识动态平衡参数知识与工具使用,减少工具过度使用,在性能提升37%的同时工具调用减少24%,并泛化至分布外数据。
2025-05-24 cs.AI cs.CL cs.LG
AgentGen: Enhancing Planning Abilities for Large Language Model based Agent via Environment and Task Generation
The University of Hong Kong(香港大学);Microsoft Corporation(微软公司)
本文提出AgentGen框架,通过LLM自动生成多样化环境和从易到难的规划任务,并结合双向演化方法Bi-Evol合成平滑难度任务集,用于指令微调以显著增强LLM智能体的规划能力。
2025-02-06 cs.AI cs.CL cs.LG
Understanding the planning of LLM agents: A survey
University of Science and Technology of China(中国科学技术大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本综述首次系统梳理了基于LLM的智能体规划,提出任务分解、计划选择、外部模块、反思和记忆五类分类,并分析了各方向进展与挑战。
2024-02-05 cs.AI cs.CL cs.LG
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
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
Psychologically inspired planning method for smart relocation task
Federal Research Center “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)
行为规划是机器人的基本认知功能之一,对于机器人控制系统的任何认知结构都是必不可少的。同时,这些系统中使用的大多数广泛的规划算法仅使用人工智能的方法和模型来开发,并且不考虑认知实验的大量结果。因此,有一个强烈的需要,为现代认知架构,旨在机器人控制的行为规划的新方法。在这项工作中提出了这样一种方法,并在一类特殊的导航任务称为智能搬迁任务进行了研究。该方法是基于抽象和知识表示的层次两级模型,例如符号和子符号。在符号层上,符号世界模型用于知识表示,规划采用层次规划算法PMA。在子符号层次上,路径规划的任务被认为是一个图搜索问题。两个规划师之间的相互作用进行检查,并描述了层次间的接口和反馈回路。初步的实验结果。
2016-07-27 cs.AI
S5-HES Agent: Society 5.0-driven Agentic Framework to Democratize Smart Home Environment Simulation
The University of Aizu(立命馆大学);The KD University(KD大学)
S5-HES代理通过自主AI编排,实现无需编程的智能家庭模拟,满足社会5.0的多样化研究需求。
2026-03-02 cs.AI
S5-SHB Agent: Society 5.0 enabled Multi-model Agentic Blockchain Framework for Smart Home
KD University(KD大学);University of Aizu(东亚大学)
本文提出S5-SHB代理框架,通过多代理协调和居民控制治理,解决智能家居中适应性共识、智能多代理协调和居民可控治理的问题。
2026-03-23 cs.AI
Connected Autonomous Vehicle Motion Planning with Video Predictions from Smart, Self-Supervised Infrastructure
Stanford University(斯坦福大学);Georgia Institute of Technology(佐治亚理工学院);University of Texas at Austin(德克萨斯大学奥斯汀分校)
本研究利用智能基础设施的自监督传感器框架(SSTA),通过预测未来占用情况而非原始视频来减少数据足迹,并将其集成到规划框架中,有效辅助网联自动驾驶车辆在复杂城市环境中的运动规划。
2023-09-14 cs.AI cs.RO
Ontological Smart Contracts in OASIS: Ontology for Agents, Systems, and Integration of Services (Extended Version)
University of Catania(卡塔尼亚大学)
本文扩展OASIS本体,引入条件表达式和本体智能合约(OSCs),以本体化方式建模智能体间的责任、授权与交互约束,并应用于区块链及以太坊与星际文件系统架构。
2024-02-20 cs.AI
SmartPM: Automatic Adaptation of Dynamic Processes at Run-Time
Universitá di Roma “La Sapienza”(罗马第一大学)
在这篇博士论文中概述的研究活动是致力于定义一个通用的方法,一个具体的体系结构和原型过程管理系统(PMS)的动态过程在运行时间的自动适应的基础上,声明性规范的过程任务,并依赖于完善的推理行动和规划技术。其目的是证明程序和命令式模型与声明性元素的结合,以及利用人工智能(AI)领域的技术,如情境演算,IndiGolog和自动规划,可以提高现有PMS支持动态过程的能力。为此,一个原型PMS命名为SmartPM,这是专门为支持过程参与者在普遍的情况下,协同工作量身定制的,已经开发。部署在SmartPM的适应机制是基于执行监测检测故障在运行时间,这并不需要在过程本身的自适应策略的定义(因为大多数当前的方法),并在自动规划技术的合成的恢复过程。
2018-10-12 cs.AI
SMarTplan: a Task Planner for Smart Factories
University of Sassari(萨萨里大学);RWTH Aachen University(亚琛工业大学);University of Genoa(热那亚大学)
智能工厂即将成为新的工业范式,其中优化渗透到生产的各个方面,从概念生成到销售。为了充分实现这一模式,生产手段的灵活性及其及时组织至关重要。人工智能计划在这一转变中发挥重要作用,但实践中遇到的场景可能对当前的工具具有挑战性。任务规划就是一个例子,人工智能通过在线自动调整和重新安排活动来应对新的运营限制和需求,从而实现更高效和灵活的运营。在本文中,我们提出了SMartPlan,任务规划器专门构思处理现实世界的场景中新兴的智能工厂范例。SMartTplan包括专用和通用算法,它基于当前的自动推理技术,旨在解决复杂的应用领域。特别是,我们展示了它的有效性的物流方案,通过比较其专用版本与通用的,并扩展到其他国家的最先进的任务规划的比较。
2018-06-19 cs.AI
Behavior and path planning for the coalition of cognitive robots in smart relocation tasks
Federal Research Center “Computer Science and Control” of RAS(俄罗斯科学院联邦研究中心“计算机科学与控制”)
在本文中,我们概述了解决机器人系统的特殊类型的导航任务的方法,当一个联盟的机器人(代理)的行为在2D环境中,它可以被修改的行动,并共享相同的目标位置。后者最初对于联盟的一些成员来说是不可到达的,但是由于代理可以互相帮助(例如通过修改环境),因此仍然可以完成共同的任务。我们称这种任务为智能重定位任务(因为不能用纯路径规划方法解决),并研究了机器人的空间和行为的相互作用,同时解决他们。我们使用认知的方法,并引入符号知识表示-符号世界模型,强调行为规划方法。规划被看作是一个递归搜索过程中的分层状态空间所诱导的标志与路径规划标志驻留在最低级别。达到这一水平触发路径规划,这是由最先进的基于网格的规划者集中在生产顺利的路径(例如LIAN),从而间接验证该路径的可行性对代理的动态约束。
2016-07-27 cs.AI cs.RO
Getting SMARTER for Motion Planning in Autonomous Driving Systems
Huawei Technologies Canada(华为技术加拿大公司);University of Alberta(阿尔伯塔大学)
本文介绍SMARTS 2.0模拟器及其基准套件,用于评估自动驾驶运动规划算法,涵盖交互式和自适应驾驶场景,并提供通用及特定任务指标,以应对现实部署的评估挑战。
2025-02-20 cs.AI cs.RO
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
Engineering Cooperative Smart Things based on Embodied Cognition
Pontifical Catholic University of Rio de Janeiro(里约热内卢天主教大学)
物联网(IoT)的目标是将我们周围的任何东西(如垃圾桶或路灯)转变为智能事物。智能物体具有感知、处理、通信和/或致动的能力。为了实现智能物联网应用的目标,例如最大限度地减少废物运输成本或降低能源消耗,应用场景中的智能事物必须相互协作,而无需集中控制。受已知的方法来设计群体的合作和自主机器人的启发,我们建模我们的智能事物的基础上体现认知的概念。每个智能体都是一个物理代理,其主体由微控制器、传感器和执行器组成,大脑由人工神经网络表示。这种类型的代理通常被称为体现代理。这些具体的代理的行为是自主配置通过一个进化算法,根据应用程序的性能触发。为了说明这一点,我们设计了三个基于演进网络的智能路灯同质原型。该应用表明,所提出的方法为具有自主开发和协作能力的分散式智能事物建模提供了一种可行的方法。
2018-01-12 cs.AI
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
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
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
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
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
Simulating user learning in authoritative technology adoption: An agent based model for council-led smart meter deployment planning in the UK
University of Birmingham(伯明翰大学);University of Nottingham(诺丁汉大学)
技术用户如何有效地从对技术一无所知过渡到在权威技术采用后充分利用它?在技术管理文献中,这种采用后的用户学习很少受到研究关注。在本文中,我们调查用户学习的权威技术采用开发一个基于代理的模型,使用的情况下,议会主导的智能电表部署在英国利兹市。能源消费者根据行为学习中的学习曲线获得使用智能电表的经验。通过基于代理的模型,我们进行了实验,以验证模型和测试不同的能源干预措施,地方当局可以用来促进能源消费者的学习和保持他们的技术的持续使用。我们的研究结果表明,能源消费者更容易成为经验丰富,更节能,他们可以实现更多的节能;鼓励能源消费者的接触,通过各种信息手段,可以促进他们的学习;和发展和保持他们的积极态度,智能计量可以使他们不断使用该技术。本文讨论的贡献和能源政策/干预的影响。
2016-07-20 cs.AI cs.MA
SmartPlay: A Benchmark for LLMs as Intelligent Agents
Carnegie Mellon University(卡内基梅隆大学);Microsoft Research(微软研究院)
本文提出SmartPlay基准,通过6种游戏和9种能力测试,系统评估LLM作为智能体的性能,并识别方法论差距。
2024-03-17 cs.AI cs.LG
AI-Driven Multi-Agent Vehicular Planning for Battery Efficiency and QoS in 6G Smart Cities
School of Computing, Newcastle University(计算学院,新萨克勒大学);Computer Science Department, University of Hafr Albatin(计算机科学系,哈夫阿尔巴丁大学)
本文扩展SimulatorOrchestrator,引入AI驱动的多智能体车辆规划与期望区域机制,在真实城市数据上验证其相比传统路径算法可提升电池效率、服务质量和救护车调度能力。
2025-09-18 cs.AI cs.ET cs.NI
Giving AI Agents Access to Cryptocurrency and Smart Contracts Creates New Vectors of AI Harm
University of Cambridge(剑桥大学)
本文探讨了赋予AI代理访问加密货币和智能合约可能带来的新AI危害途径,并呼吁进行技术研究以防范这些风险。
2026-08-27 cs.AI cs.CR
Smart Spatial Planning in Egypt: An Algorithm-Driven Approach to Public Service Evaluation in Qena City
Faculty of Arts, South Valley University(南河谷大学文学院);Faculty of Arts, Fayoum University(法尤姆大学文学院)
本研究提出了一种基于Voronoi图的智能算法,用于评估埃及季纳市公共服务覆盖情况,发现市中心服务密度高,郊区覆盖低,模型为数据驱动的城市规划提供可复制的框架。
2025-12-06 cs.AI cs.CY
On Multi-Agent Deep Deterministic Policy Gradients and their Explainability for SMARTS Environment
University of Southern California(南加州大学)
多智能体RL或MARL是自动驾驶文献中的复杂问题之一,阻碍了当今全自动驾驶汽车的发布。几个模拟器在开始之后一直在迭代,以减轻自动驾驶中多个代理的复杂场景的问题。一个这样的模拟器-SMARTS,讨论了合作的多智能体学习的重要性。针对这个问题,我们讨论了两种方法-MAPPO和MADDPG,这是基于政策和政策外RL方法。我们将我们的结果与最先进的结果进行比较,并讨论了潜在的改进领域,同时讨论了这些方法与SMARTS环境中的航点结合的可解释性。
2023-01-20 cs.AI cs.CV cs.LG
Towards Agent-Based Model Specification in Smart Grid: A Cognitive Agent-based Computing Approach
COMSATS Institute of Information Technology(COMSATS 信息技术学院)
智能电网可以被认为是一个复杂的网络,其中每个节点代表一个发电单元或一个消费者。而链路可用于表示传输线。研究复杂系统的一种方法是使用基于代理的建模(ABM)范式。ABM是一种表示相互交互的自主智能体的复杂系统的方法。在此之前,已经提出了一些研究在智能电网领域利用ABM范式。然而,据我们所知,这些研究都没有集中在反弹道导弹的规格方面。ABM规范不仅对理解模型很重要,而且对模型的复制也很重要。在这项研究中,我们专注于智能电网ABM的发展以及规范。我们结合使用基于代理的方法和基于复杂网络的方法提出了ABM。对于ABM规范,我们使用ODD和DREAM规范方法。我们分析这两个规格的方法定性和定量。大量的实验表明,DREAM是一个最有用的方法相比,ODD建模以及复制模型的智能电网。
2017-11-18 cs.AI cs.MA physics.soc-ph
Advancing MAPF Toward the Real World: A Scalable Multi-Agent Realistic Testbed (SMART)
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Monash University(墨尔本大学)
SMART通过物理引擎模拟和大规模智能体支持,解决MAPF算法在现实环境中的评估难题,提供真实场景下的高效测试平台。
2026-04-19 cs.AI cs.RO
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
Adjust Planning Strategies to Accommodate Reinforcement Learning Agents
National University of Defense Technology(国防科技大学)
在智能体控制问题中,将强化学习与规划相结合的思想引起了人们的广泛关注。两种方法分别侧重于微观和宏观行动。如果他们之间有一个良好的合作,他们的优势会一起显示。合作的关键是找到一个适当的边界,为每种方法分配不同的功能。这样的边界可以由规划算法中的参数表示。本文通过分析反应与规划之间的联系,提出了一种规划参数的优化策略,并提出了一种非梯度的加速优化方法。整个算法能够找到一个令人满意的规划参数设置,充分利用了特定智能体的反应能力。
2020-03-19 cs.AI cs.LG
SMART-Editor: A Multi-Agent Framework for Human-Like Design Editing with Structural Integrity
SMART-Editor通过奖励引导的推理与训练优化,实现跨结构化及非结构化域的全局一致编辑,并在基准上超越现有方法。
2025-08-05 cs.AI cs.CL
A Consciousness-Inspired Planning Agent for Model-Based Reinforcement Learning
McGill University(麦吉尔大学);Mila;Université de Montréal(蒙特利尔大学);DeepMind
我们提出了一个端到端的,基于模型的深度强化学习代理,它在规划过程中动态地关注其状态的相关部分。代理使用一个基于集合的表示瓶颈机制,迫使代理出席在每个规划步骤的实体的数量是小的。在实验中,我们调查的瓶颈机制与几套定制的环境具有不同的挑战。我们一直观察到,该设计允许规划代理,以概括他们的学习任务解决能力,在兼容的看不见的环境中参加相关的对象,从而导致更好的分布外泛化性能。
2021-11-04 cs.AI cs.LG
Smart Home Environment Modelled with a Multi-Agent System
University POLITEHNICA of Bucharest(布加勒斯特理工大学)
本文提出用三个智能体和五个位置模拟情境感知智能家居环境,通过预定义规则降低设备运行成本,并展望未来健康监测功能。
2023-03-28 cs.AI cs.CY cs.MA
Active Inference for Energy Control and Planning in Smart Buildings and Communities
Politecnico di Milano(米兰理工大学)
针对主动推理在工程应用潜力待挖掘的问题,本文提出双层主动推理架构实现建筑与社区级能源管理,经多基准和极端场景验证具强鲁棒性,首次证实分布式主动推理的工程可行性。
2025-03-23 cs.AI cs.LG math.OC
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
Securing Smart Contract Languages with a Unified Agentic Framework for Vulnerability Repair in Solidity and Move
University Of Houston(德克萨斯大学休斯敦分校);Kent State University(肯特州立大学)
本文提出Smartify,一种利用多代理框架和LLMs自动检测并修复Solidity和Move智能合约漏洞的方法,展现其在提升安全性和可靠性方面的显著成效。
2025-11-20 cs.AI cs.CR cs.MA
Design of an Agent for Answering Back in Smart Phones
本文的目的是设计一个代理,提供有效的响应,当一个电话在智能手机无人接听来电。代理通过文本消息、电子邮件等提供响应,说明被呼叫者无法接听电话的最可能原因。响应组成考虑到当前调用的重要性和被调用者的情况下,在像驾驶,睡觉,在工作等的时刻,代理作出决定,在响应消息的组成的基础上,它已经遇到的模式在学习环境。最初,用户帮助代理撰写响应消息。代理将此消息关联到它接收到的与被调用者所处环境相关的消息。此后,用户可以选择使响应系统自动化,或者选择从代理接收对响应消息的建议并确认要发送给呼叫者的内容。
2014-01-01 cs.AI cs.HC cs.LG
Explainable AI: Deep Reinforcement Learning Agents for Residential Demand Side Cost Savings in Smart Grids
IIT Bombay(印度理工学院孟买分校)
受深度强化学习(RL)最新进展的启发,我们开发了一个RL代理来管理家庭中存储设备的操作,旨在最大限度地节省需求方的成本。所提出的技术是数据驱动的,RL代理从头开始学习如何有效地使用给定可变费率结构的储能设备。在大多数研究中,RL agent被认为是一个黑盒子,agent是如何学习的往往被忽略。我们解释了RL代理的学习过程,以及它根据存储设备的容量所遵循的策略。
2019-10-30 cs.AI cs.GT cs.LG