arXiv · AI· Adri\'an Szlatincs\'an, Filippo Ziliotto, Bruno Lepri, Luciano Serafini, Massimiliano Luca, Tommaso Campari·· 2026-10-14AI 评分28
具身多智能体协作中解耦伙伴信息:基于 PARTNR 基准的研究
Observe, Share, or Predict? Disentangling Partner Information in Embodied Multi-Agent Collaboration
AI 导读
基于 PARTNR 基准的研究发现,在 LLM 控制的具身智能体协作中,观察伙伴状态(OAS)比预测其下一步动作更能提升任务质量。 实验显示 OAS 观察降低了所有规划器的额外消耗,而对象知识交换(KE)主要将模拟步数减少最多 25%;OAS 与 KE 对强规划器冗余,对弱规划器互补。 预测伙伴动作(OANA)在 15/16 配置中降低成功率,协调收益主要来自对共享上下数的响应而非显式预期。
来源:arXiv · AI · arxiv.org