arXiv cs.AI· Riccardo Barbano, Vincent Pauline, Runchang Li, George Webber, Alexander Denker, \v{Z}eljko Kereta, Stefan Bauer, Francisco Vargas, Esmeralda S. Whitammer·· 10 天前AI 评分22
CMDS：通过随机最优控制实现协同多智能体扩散引导
One for All, All for One: Coordinated Multi-Agent Diffusion Steering via Stochastic Optimal Control
AI 导读
研究者提出 Coordinated Multi-Agent Diffusion Steering（CMDS），将冻结的预训练扩散模型视为可复用的生成原语，通过学习的控制协调其反向过程。
正文 · AI 翻译
摘要：深度生成模型通常会产生由相互作用的组件构成的结构化输出。用单一模型对这些输出进行建模，需要同时学习组件分布及其相互作用。我们探索一种模块化替代方案：复用独立训练的组件生成器，仅学习如何协调它们以产生连贯的结构化输出。我们的框架——协调多智能体扩散引导（CMDS）——将冻结的预训练扩散模型视为可复用的生成原语，并通过学习到的控制来协调它们的逆向过程。我们将协调形式化为一个随机最优控制问题，在指定组合输出所需属性的装配级奖励与偏离预训练动力学之间进行权衡。学习到的控制对这一优化进行摊销，从而允许跨新任务实例复用。实验表明，CMDS 能够恢复已知的目标分布，用同一个训练好的控制满足不同的空间约束，并从退化的混合中恢复各个源。在多智能体迷宫导航、关节机器人规划和文本条件人体运动中，CMDS 将冻结模型转变为协调的多智能体生成器。
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.08595 [cs.RO] |
| （或 arXiv:2610.08595v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.08595 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Riccardo Barbano [查看电子邮件]
[v1]
2026年10月6日星期二 16:02:49 UTC（13,326 KB）
来源：arXiv cs.AI · arxiv.org