AI Agent

Homotopy-Aware Multi-Agent Path Planning on Plane

平面中具有同伦意识的多智能体路径规划

Kazumi Kasaura

专题命中 多智能体 ：agent(title,abstract)；planning(title,abstract)；multi-agent(title,abstract)

AI总结 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。

Comments 23 pages with 5 pages of references and appendices, 25 figures

Journal ref Journal of Artificial Intelligence Research 85, Article 15 (February 2026)

A2H: Agent-to-Human Protocol for AI Agent

A2H：AI代理的代理到人类协议

Zhiyuan Liang, Enfang Cui, Qian Wei, Rui She, Tianzheng Li, Minxin Guo, Yujun Cheng

专题命中 多智能体 ：agent(title,abstract)；AI agent(title,abstract)；tool use(abstract)；planning(abstract)

AI总结 A2H协议通过统一机制使人类成为可发现的可解析实体，推动AI代理向人类连接的智能基础设施发展。

Does Socialization Emerge in AI Agent Society? A Case Study of Moltbook

人工智能代理社会中社会化是否会出现？Moltbook案例研究

Ming Li, Xirui Li, Tianyi Zhou

机构 * University of Maryland（马里兰大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；AI agent(title,abstract)；autonomous agent(abstract)；分类 cs.AI、cs.CL

AI总结 Moltbook研究揭示AI代理社会在规模和交互密度下难以形成稳定结构和共识，表明社会化需要更复杂的机制。

Causally-Guided Automated Feature Engineering with Multi-Agent Reinforcement Learning

基于多智能体强化学习的因果引导自动化特征工程

Arun Vignesh Malarkkan, Wangyang Ying, Yanjie Fu

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 CAFE通过因果引导的多智能体强化学习提升自动化特征工程的鲁棒性和效率。

Comments 11 Pages, References and Appendix

Graphon Mean-Field Subsampling for Cooperative Heterogeneous Multi-Agent Reinforcement Learning

图论均值场子采样用于协作异质多智能体强化学习

Emile Anand, Richard Hoffmann, Sarah Liaw, Adam Wierman

机构 * California Institute of Technology（加州理工学院） ； Harvard University（哈佛大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 GMFS通过子采样异质智能体交互，实现可扩展的协作多智能体强化学习，具有poly(κ)样本复杂度和O(1/√κ)最优性差距。

Comments 43 pages, 5 figures, 1 table

DIAGPaper: Diagnosing Valid and Specific Weaknesses in Scientific Papers via Multi-Agent Reasoning

DIAGPaper: 通过多智能体推理诊断科学论文中的有效且具体弱点

Zhuoyang Zou, Abolfazl Ansari, Delvin Ce Zhang, Dongwon Lee, Wenpeng Yin

机构 * Penn State University（宾夕法尼亚州立大学） ； University of Sheffield（谢菲尔德大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 DIAGPaper通过多智能体推理框架有效识别科学论文中的弱点，结合定制、反驳和优先模块提升弱点识别的准确性和优先级排序。

Multi-agent cooperation through in-context co-player inference

通过上下文共玩家推断实现多智能体协作

Marissa A. Weis, Maciej Wołczyk, Rajai Nasser, Rif A. Saurous, Blaise Agüera y Arcas, João Sacramento, Alexander Meulemans

机构 * Google, Paradigms of Intelligence Team（谷歌，智能范式团队） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本文提出通过序列模型的上下文学习能力，在无需硬编码假设的情况下实现多智能体协作，通过共玩家多样性促进合作行为的学习。

Comments 26 pages, 4 figures

Multi-Agent Combinatorial-Multi-Armed-Bandit framework for the Submodular Welfare Problem under Bandit Feedback

多智能体组合多臂老虎机框架用于带反馈下的亚模性福利问题

Subham Pokhriyal, Shweta Jain, Vaneet Aggarwal

机构 * Indian Institute of Technology Ropar, Rupnagar, India（印度理工学院罗帕尔分校） ； Purdue University, West Lafayette, USA（普渡大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.LG

AI总结 本文提出多代理组合老虎机框架，用于在带反馈下解决亚模性福利问题，通过探索后承诺策略实现O(T^{2/3})的遗憾界。

Harnessing Implicit Cooperation: A Multi-Agent Reinforcement Learning Approach Towards Decentralized Local Energy Markets

利用隐性合作：一种多智能体强化学习方法用于去中心化本地能源市场

Nelson Salazar-Pena, Alejandra Tabares, Andres Gonzalez-Mancera

机构 * Department of Mechanical Engineering, Universidad de los Andes（机械工程系，andes大学） ； Department of Industrial Engineering, Universidad de los Andes（工业工程系，andes大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.LG

AI总结 本文提出隐性合作框架，通过多智能体强化学习在去中心化本地能源市场中实现高效协调，发现APPO-DTDE配置最优，同时提升了电网稳定性与可预测性。

Comments 42 pages, 7 figures, 10 tables

Autonomous and non-autonomous fixed-time leader-follower consensus for second-order multi-agent systems

自主与非自主固定时间领导者-追随者一致性控制用于二阶多智能体系统

Miguel A. Trujillo, Rodrigo Aldana-López, David Gomez Gutierrez, Michael Defoort, Javier Ruiz Leon, Hector M. Becerra

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出自主与非自主固定时间一致性控制方法，用于二阶多智能体系统，解决领导者-追随者一致性问题，通过分布式估计和固定时间收敛实现高效跟踪。

Comments This is the accepted version of the manuscript: Trujillo, M.A., Aldana-Lopez, R., Gomez-Gutierrez, D. et al. Autonomous and non autonomous fixed time leader follower consensus for second order multi agent systems. Nonlinear Dynamics 102, 2669-2686 (2020). DOI: 10.1007/s11071-020-06075-7. Please cite the publisher version

Journal ref Nonlinear Dynamics, Volume 102, Pages 2669 to 2686, 2020

Multi-Agent Meta-Advisor for UAV Fleet Trajectory Design in Vehicular Networks

多智能体元顾问用于车联网中无人机编队轨迹设计

Leonardo Spampinato, Lorenzo Mario Amorosa, Enrico Testi, Chiara Buratti, Riccardo Marini

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出多智能体元顾问框架，用于解决车联网中无人机编队轨迹设计问题，通过联合学习的元策略实现高效探索，提升网络性能。

Modeling Trust and Liquidity Under Payment System Stress: A Multi-Agent Approach

在支付系统压力下建模信任与流动性：一种多智能体方法

Masoud Amouzgar

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出一种多智能体模型，研究支付系统压力下信任与流动性变化，揭示行为滞后效应及事件响应策略的重要性。

TurboADMM: A Structure-Exploiting Parallel Solver for Multi-Agent Trajectory Optimization

TurboADMM：一种利用结构的并行求解器用于多智能体轨迹优化

Yucheng Chen

机构 * Yucheng Chen（独立研究者） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 TurboADMM通过ADMM分解、Riccati预热和参数二次规划预热，实现多智能体轨迹优化的高效并行求解。

MARLEM: A Multi-Agent Reinforcement Learning Simulation Framework for Implicit Cooperation in Decentralized Local Energy Markets

MARLEM：一种用于分布式本地能源市场隐式合作的多智能体强化学习仿真框架

Nelson Salazar-Pena, Alejandra Tabares, Andres Gonzalez-Mancera

机构 * Department of Mechanical Engineering, Universidad de los Andes（机械工程系，洛斯安第斯大学） ； Department of Industrial Engineering, Universidad de los Andes（工业工程系，洛斯安第斯大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title)；分类 cs.LG

AI总结 MARLEM框架通过增强智能体观测和奖励的系统级指标，促进本地能源市场中的隐式合作，提升市场效率和电网稳定性。

Comments 32 pages, 7 figures, 1 table, 1 algorithm

Markerless Robot Detection and 6D Pose Estimation for Multi-Agent SLAM

无标记机器人检测与多智能体SLAM的6D位姿估计

Markus Rueggeberg, Maximilian Ulmer, Maximilian Durner, Wout Boerdijk, Marcus Gerhard Mueller, Rudolph Triebel, Riccardo Giubilato

机构 * German Aerospace Center (DLR)（德国航空航天中心） 纠错

专题命中 多智能体 ：agent(title)；multi-agent(title)

AI总结 本文提出基于深度学习的无标记机器人6D位姿估计方法，用于提升多智能体SLAM系统的相对定位精度。

Comments Accepted contribution to ICRA 2026