HyperAIHyperAI

Command Palette

Search for a command to run...

vor 19 Tagen

DR. WELL: Dynamisches Reasoning und Lernen mit symbolischen Weltmodellen für körperhafte, auf Sprachmodellen basierende Multi-Agenten-Kooperation

Narjes Nourzad Hanqing Yang Shiyu Chen Carlee Joe-Wong

DR. WELL: Dynamisches Reasoning und Lernen mit symbolischen Weltmodellen für körperhafte, auf Sprachmodellen basierende Multi-Agenten-Kooperation

Abstract

Die kooperative Planung mehrerer Agenten erfordert, dass Agenten gemeinsame Entscheidungen unter partieller Information und begrenzter Kommunikation treffen. Eine Koordination auf Trajektorieebene scheitert oft, da kleinste Abweichungen in Zeit oder Bewegung zu kaskadenartigen Konflikten führen. Symbolische Planung verringert diese Herausforderung, indem sie die Abstraktionsebene erhöht und eine minimale Menge an Aktionen bereitstellt, die Synchronisation und kollektiven Fortschritt ermöglichen. Wir stellen DR. WELL vor, einen dezentralen neurosymbolischen Rahmen für die kooperative Planung mehrerer Agenten. Die Zusammenarbeit erfolgt über ein zweistufiges Verhandlungsprotokoll: Zunächst schlagen die Agenten mit Begründung mögliche Rollen vor, anschließend erfolgt die gemeinsame Zuweisung unter Berücksichtigung von Konsens und Umweltbedingungen. Nach der Verpflichtung generiert jeder Agent unabhängig einen symbolischen Plan für seine Rolle und führt ihn aus, ohne detaillierte Trajektorien preiszugeben. Die Pläne werden durch ein gemeinsames Weltmodell an die Ausführungsergebnisse gebunden, das den aktuellen Zustand der Umwelt kodiert und sich mit fortschreitenden Aktionen der Agenten aktualisiert. Indem DR. WELL nicht auf rohen Trajektorien, sondern auf symbolischen Plänen reasoniert, vermeidet es brüchige Schritt-für-Schritt-Alignment-Strategien und ermöglicht höhere Operationen, die wiederverwendbar, synchronisierbar und interpretierbar sind. Experimente an kooperativen Block-Schiebe-Aufgaben zeigen, dass die Agenten sich über Episoden hinweg anpassen können, wobei das dynamische Weltmodell wiederverwendbare Muster erfasst und die Erfolgsrate sowie die Effizienz der Aufgabenerfüllung verbessert. Die Experimente belegen zudem, dass das dynamische Weltmodell durch Verhandlung und Selbstverfeinerung die Aufgabenabwicklung und Effizienz steigert, wobei ein zeitlicher Overhead in den Aufbau effizienterer, sich evolutionär weiterentwickelnder Kooperationsstrategien getauscht wird.

KI mit KI entwickeln

Von der Idee bis zum Start — beschleunigen Sie Ihre KI-Entwicklung mit kostenlosem KI-Co-Coding, sofort einsatzbereiter Umgebung und den besten GPU-Preisen.

KI-Co-Coding
Sofort einsatzbereit GPUs
Beste Preise
Jetzt starten

Hyper Newsletters

Abonnieren Sie unsere neuesten Updates
Wir werden die neuesten Updates der Woche in Ihren Posteingang liefern um neun Uhr jeden Montagmorgen
Unterstützt von MailChimp
DR. WELL: Dynamisches Reasoning und Lernen mit symbolischen Weltmodellen für körperhafte, auf Sprachmodellen basierende Multi-Agenten-Kooperation | Forschungsarbeiten | HyperAI