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
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
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
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
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
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
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
Offline Time-Independent Multi-Agent Path Planning
Tokyo Institute of Technology（东京工业大学）
本文研究离线时间无关的多智能体路径规划（OTIMAPP）问题，旨在为智能体分配路径使其在异步运行且不共享资源时仍能无阻塞到达目标，并给出了解决条件、计算复杂度、求解器及机器人应用。
2023-04-08 cs.MA cs.RO
Implementing BDI Continual Temporal Planning for Robotic Agents
University of Trento（特伦托大学）；Eurecat - Technology Centre of Catalonia（加泰罗尼亚Eurecat技术中心）
本文提出一种BDI连续时间规划框架，通过交错规划与执行循环集成在线规划与BDI控制，基于ROS2和JavaFF实现，提升代理运行时决策与适应性。
2023-09-01 cs.MA cs.RO
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
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
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 Speculative Planning: Enhance Agent Efficiency through Co-design of System and User Interface
Rutgers University（罗格斯大学）；Microsoft（微软公司）；Google Deepmind（谷歌DeepMind）
本文提出交互式推测规划方法，通过智能体系统与用户界面的协同设计，将人类中断纳入系统以提供准确中间步骤，从而缓解大语言模型智能体的规划延迟并提升效率。
2024-09-30 cs.AI cs.CL cs.HC
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
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
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
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
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
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
Multi-Agent Path Planning in Complex Environments using Gaussian Belief Propagation with Global Path Finding
Aarhus University（奥胡斯大学）
提出结合高斯置信传播与跟踪因子的多智能体路径规划方法，确保全局路径遵循，仿真显示路径偏差降低28%（单智能体）和16%（多智能体）。
2025-02-27 cs.MA cs.RO
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
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
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
Cooperative Motion Planning for Non-Holonomic Agents with Value Iteration Networks
Daimler R&D（戴姆勒研发中心）；FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
协作运动规划仍然是机器人面临的一个具有挑战性的课题。最近，价值迭代网络（VIN）被提出来建模运动规划任务作为神经网络。在这项工作中，我们扩展VIN解决非完整约束下的合作规划任务。为此，我们将多个VIN互连，以尊重彼此的输出。通过迭代梯度下降生成合作策略。仿真验证表明，所得到的网络可以解决非完整运动规划问题，需要合作。
2017-09-15 cs.MA cs.RO
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
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
Conflict-Based Search as a Protocol: A Multi-Agent Motion Planning Protocol for Heterogeneous Agents, Solvers, and Independent Tasks
Carnegie Mellon University（卡内基梅隆大学）；Tongji University（同济大学）；UC Berkeley（伯克利大学）
本文提出了一种基于冲突的搜索协议，用于异构智能体的多智能体运动规划，利用多种单智能体规划算法实现无碰撞路径规划。
2026-03-05 cs.MA cs.RO
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
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
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
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
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
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
Time-Independent Planning for Multiple Moving Agents
School of Computing, Tokyo Institute of Technology（东京工业大学计算学院）
典型的多智能体路径寻找（MAPF）求解器假设智能体同步移动，从而忽略了时间假设中的现实差距，例如，由于异步移动的不完美执行而导致的延迟。到目前为止，有两种策略强制执行作为输入的MAPF计划的健壮执行：要么通过强制代理同步，要么通过执行计划，同时保留时间依赖性。本文提出了一种替代方法，称为时间无关规划，这是在线和分布式。我们将现实表示为一个过渡系统，根据代理的原子动作来改变配置，并使用它来生成一个与时间无关的时间表。在一个具有随机延迟的模拟环境中的实证结果支持我们的建议的有效性。
2020-12-14 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
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
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
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
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
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
