arXiv cs.AI· Adri\'an Szlatincs\'an, Filippo Ziliotto, Bruno Lepri, Luciano Serafini, Massimiliano Luca, Tommaso Campari·· 3 天前AI 评分22
观察、共享还是预测？解耦具身多智能体协作中的伙伴信息
Observe, Share, or Predict? Disentangling Partner Information in Embodied Multi-Agent Collaboration
AI 导读
研究基于 Habitat 的 PARTNR 基准提出解耦部分可观测机制，在 1000 个验证任务上测试 OAS 观察、KE 知识交换与 OANA 预测对 LLM 具身智能体协作的影响。OAS 观察提升任务质量并减少无效动作，KE 主要提升执行效率、最多减少 25% 仿真步数；OANA 预测在 16 组模型×上下文组合中有 15 组降低成功率，协作收益主要来自对共享上下文的响应而非显式预测。
正文 · AI 翻译
摘要：LLM 被用作具身智能体的高层控制器，但它们是否支持协作推理仍不清楚，例如在无对话的实时团队合作中预判协作者的行动。我们探究：当智能体可以共享感知但从不共享意图、计划或任务级消息时，观察伙伴状态、交换物体知识以及预测伙伴的下一步行动是否会塑造任务结果与协调，以及两个智能体是否占据对称角色。基于 Habitat 的 PARTNR 基准，我们引入了一种解耦部分可观测性机制，强制严格的个体感知，并为去中心化的零样本 ReAct 规划器增加了其他智能体状态（OAS）观察、同处智能体之间的物体知识交换（KE）以及其他智能体下一步行动（OANA）预测，在完整的 2 x 2 x 2 网格上使用四个规划器对 1,000 个验证任务进行评估。OAS 观察提升了任务质量，减少了每个规划器的多余努力，而 KE 主要提升执行效率，将仿真步数最多减少 25%，成功率变化不大。对于强规划器，两者在很大程度上是冗余的，但对于最弱的规划器则是互补的，其中最弱规划器在无 OAS 时使用 KE 是最差配置。OANA 预测在 16 个模型 x 上下文组合中的 15 个中降低了成功率，同时将显式提及伙伴的比例提高到 55-100%，其准确性提升主要在于粗略的动作类型，部分原因是智能体能识别伙伴正在执行的动作。机器人比模拟人类更早取回物体并更早完成其任务。共享上下文通过缩短人类独自工作的剩余时长来减少总任务时间。此外，协调收益来自对共享上下文（尤其是 OAS）的响应，而非显式预判，从而产生浅层的、依赖规划器的伙伴建模。
| Subjects: | 人工智能（cs.AI）；机器人学（cs.RO） |
| Cite as: | arXiv:2610.16895 [cs.AI] |
| （或 arXiv:2610.16895v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16895 arXiv 颁发的 DOI 通过 DataCite（待注册） |
Submission history
来自：Adrián Szlatincsán [查看邮箱]
[v1]
2026年10月12日星期一 14:49:31 UTC（5,873 KB）
来源：arXiv cs.AI · arxiv.org