arXiv cs.CL· Matthew Groholski, Weiwei Gu, Nakul Gopalan·· 23 小时前AI 评分24
对话驱动的动态任务分配:通信增强贝叶斯框架提升部分可观测下的多智能体协作效率
Dynamic Task Allocation with Dialogue
AI 导读
研究者提出一种通信增强的贝叶斯任务分配框架,让智能体通过对话降低对环境和协作者的不确定性,并将决策建立在显式概率信念之上。在扩展了动态到达任务的 Overcooked 环境中,该通信智能体在全观测和部分观测下均稳定优于普通 LLM 智能体。部分观测且任务复杂度上升时,它比非通信基线平均快 0.585、平均提前 18 个时间步完成任务。
正文 · AI 翻译
摘要:有效的多智能体协作要求智能体随着目标和职责的演变调整任务分配。此前的任务分配框架通常假设目标是静态的、完全可观测的,或者依赖大语言模型(LLM)而没有关于任务分配或意图的明确、可验证的信念。这些假设限制了它们在现实世界协作中的适用性,因为在现实世界中,智能体往往缺乏关于彼此行动、进度或局部环境的完整信息。为支持部分可观测性下的动态任务分配,我们引入了一种通信增强的贝叶斯任务分配框架。我们的智能体利用对话来减少关于环境和协作者的不确定性,同时使决策建立在明确的概率信念之上。我们在 Overcooked 领域中评估了我们的框架,该领域扩展了动态到达的任务,并同时考虑完全和部分对象空间可观测性。我们的通信智能体在两种设置下都始终优于普通 LLM 智能体。此外,在完全可观测性下,我们的框架与不通信的任务分配基线表现相当,但在部分可观测性下,随着任务复杂度增加,它大幅优于该基线,平均加速 0.585,并平均快 18 个时间步完成。这些结果表明,在部分可观测环境中,我们的智能体在动态任务分配方面比基线更高效,并且随着可用信息减少,通信变得很重要。
| 评论: | 9 页,6 张图,已被 IROS 2026 的 Human-Robot Dialogue(HRD) Workshop 接收 |
| 主题: | 计算与语言(cs.CL) |
| 引用为: | arXiv:2611.23119 [cs.CL] |
| (或 arXiv:2611.23119v1 [cs.CL] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.23119 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Weiwei Gu [查看电子邮件]
[v1]
2026 年 11 月 17 日星期二 17:37:17 UTC(1,204 KB)
来源:arXiv cs.CL · arxiv.org