arXiv:2508.12087v3 cs.AI

MAPF-World: 다중 에이전트 경로 생성을 위한 행동 월드 모델

MAPF-World: Action World Model for Multi-Agent Path Finding

Zhanjiang Yang, Yueming Li, Yang Shen, Meng Li, Lijun Sun

제출 2025-08-16

한국어 초록

다중 에이전트 경로 생성(Multi-agent path finding, MAPF)은 로봇 지원 물류 및 소셜 내비게이션 분야에서 활용되며, 주어진 시작 위치에서 지정된 목표 지점까지 충돌 없는 경로를 다수의 에이전트를 위해 계획하는 문제를 다룹니다. 최근의 탈중앙화 학습 기반 솔버는 특히 파운데이션 모델과 대규모 데이터셋을 활용할 때 대규모 MAPF에서 유망한 성과를 보여주었습니다. 그러나 기존 방법의 대다수는 반응형 정책에 의존하여, 에이전트 밀도가 높은 환경에서는 종종 혼잡, 데드락, 그리고 일반화 성능 저하를 야기합니다. 이러한 한계를 해결하기 위해, 본 논문에서는 즉각적인 국소적 관측을 넘어선 의사결정을 가능하게 하도록 단기 국소 미래 예측과 행동 생성을 통합한 MAPF용 자기회귀 행동 월드 모델인 MAPF-World를 제안합니다. MAPF-World는 다음 국소 관측과 주변 에이전트들의 행동 의도를 예측하여 단기 국소 역학을 모델링하며, 이를 통해 공간 구조와 시간적 상호작용 패턴을 모두 포착합니다. 나아가 트랜스포머(Transformer) 기반 아키텍처에서 공간 인지력과 에이전트 수준의 의미 정보를 통합하는 시공간-에이전트 위치 인코딩을 도입하여 에이전트 간의 더욱 조화로운 협력 행동을 촉진합니다. 이에 더해, 합성 시뮬레이션과 실제 배포 시나리오 간의 격차를 좁히는 것을 목표로 실제 도시 레이아웃에 기반한 자동 맵 생성기를 도입하여 기존 MAPF 벤치마크를 확장합니다. 다양한 맵 유형과 상호작용 환경에서의 광범위한 실험을 통해 MAPF-World가 기존 학습 기반 솔버 대비 강력한 성능을 달성함을 입증합니다. 특히 견고한 제로샷(zero-shot) 일반화 성능을 보이며 에이전트 밀도가 높아져도 높은 성공률을 유지합니다.

원문 초록

Multi-agent path finding (MAPF) studies the problem of planning conflict-free paths for multiple agents from given start locations to designated goals, with applications in robot-assisted logistics and social navigation. Recent decentralized learned solvers have shown promise for large-scale MAPF, particularly when leveraging foundation models and large datasets. However, most existing methods rely on reactive policies, often resulting in congestion, deadlocks, and degraded generalization in high agent-density environments. To address these limitations, we propose MAPF-World, an autoregressive action world model for MAPF that unifies short-horizon local future prediction and action generation, enabling decision-making beyond immediate local observations. MAPF-World models short-horizon local dynamics by predicting the next local observation and neighboring agents' action intentions, capturing both spatial structures and temporal interaction patterns. We further introduce a spatio-agent positional encoding that integrates spatial awareness with agent-level semantics in Transformer-based architectures, facilitating more coordinated multi-agent behaviors. In addition, we augment existing MAPF benchmarks by introducing an automated map generator grounded in real-world urban layouts, aiming to narrow the gap between synthetic simulation and practical deployment scenarios. Extensive experiments across diverse map types and interaction settings demonstrate that MAPF-World achieves strong performance compared with existing learned solvers. Notably, it exhibits robust zero-shot generalization and maintains a high success rate even as agent density increases.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2508.12087v3

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.23181v1cs.CV공통 태그 Navigate, world model

비전-언어 내비게이션을 위한 이중-뇌 최소 충분 표현

Towards Dual-Brain Minimal Sufficient Representation for Vision-Language Navigation

연속 환경에서의 비전-언어 내비게이션(VLN-CE)은 에이전트가 자기 중심(egocentric) 관측에 언어를 그라운딩하고, 보지 못한 장면에서 계획을 세울 것을 요구한다. 최근의 멀티모달 대규모 모델과 월드 모델 기반 방법들이 내비게이션을 개선했지만, 종종 과도한 작업 무관 세부 정보를 보존하여 일반화를 약화시키고 계산 부담을 증가시킨다. 우리는 최소 충분성 원칙(Principle of Minimal Sufficiency)에 기반한 내비게이션 프레임워크인 BrainNav를 제안한다. BrainNav는 세 가지 구성 요소로 이루어진다: 환경 노이즈를 억제하기 위해 지시(instruction) 인식 선택적 지각을 구현하는 Logical Anchor Model, 이산적 언어적 의도와 연속 잠재 역학을 효율적으로 동기화하면서 중복 정보를 걸러내는 컴팩트한 교차 모달 병목 역할을 하는 Minimalist Constraint Alignment 모듈, 그리고 응축된 저랭크(low-rank) 잠재 공간 내에서 행동 조건부 상태를 예측하는 Compression World Model. 이러한 모듈들은 의미적 의도와 공간 지각을 정렬하여 복잡한 작업에서 에이전트의 견고성과 효율성을 향상시킨다. 실험 결과 BrainNav는 R2R-CE val-unseen에서 SR/SPL 기준으로 이전 SOTA 대비 2.0% / 1.0%, RxR-CE val-unseen에서 0.94% / 0.78% 개선을 보였다. 이 결과는 최소 충분한 월드 표현이 견고한 VLN을 위한 효과적인 기반을 제공함을 시사한다.

arXiv:2607.22750v1cs.AI공통 태그 Navigate, Multi-agent Reinforcement Learning

자기 협상 계약을 통한 협력 약속

Commitment To Cooperation With Self-Negotiated Contracts

AI 에이전트가 다중 에이전트 환경에서 점점 더 큰 자율성으로 작동함에 따라, 상호 이익을 창출하기 위해 다른 에이전트 및 인간과 협력하는 방법을 학습해야 할 것이다. 그러나 협력의 비용은 종종 초기에 발생하는 반면 이익은 나중에만 실현되므로 배반(defect) 유인이 생겨 협력은 어려운 과제이다. AI 에이전트는 어떻게 약속(commitment)을 통해 협력할 수 있는가? 본 연구에서는 인류 사회가 이러한 유형의 위임-대리인(principal-agent) 문제를 해결하는 데 사용해 온 법률 제도와 계약(contracting)에서 영감을 얻는다. 계약은 약정의 관찰 가능한 표현을 제공하며, 조건의 집행을 통해 신뢰할 수 있는 약속(credible commitments)을 가능하게 한다. 우리는 목표를 향한 탐색(navigation)과 협상(bargaining)을 결합한 시공간(spatial-temporal) 게임 CT에서 대규모 언어 모델(LLM) 기반 에이전트를 사용하여 계약 기반 협력의 역할을 연구한다. 코드로 컴파일되는 형식 계약(formal contracts)부터 재해석이 필요한 자연 계약(natural contracts)까지 다양한 계약 표현을 연구한다. 서로 다른 크기와 제공자(provider)를 사용하는 다양한 LLM 백본을 갖춘 에이전트를 평가한다. 자기 협상 계약(self-negotiated contracts)이 일반적인 거래(regular trading)만으로는 가능한 수준을 넘어 협력적 결과를 개선할 수 있음을 발견한다.

arXiv:2606.28182v1cs.LG공통 태그 Navigate, Multi-agent Reinforcement Learning

LLawCo: 구현체 다중 에이전트 행동 모델링을 위한 협력 법칙 학습

LLawCo: Learning Laws of Cooperation for Modeling Embodied Multi-Agent Behavior

최근 분산(decentralized) 및 부분 관측(partially observable) 환경에서 동작하는 구현체 에이전트는 점점 더 많은 관심을 받고 있다. 그러나 기존 대규모 언어 모델(LLM) 기반 에이전트는 종종 파트너와 정렬(alignment)되지 않거나 환경 상태와 불일치하는 행동을 보여, 비효율적인 협력과 낮은 과제 성공률로 이어진다. 이 문제를 해결하기 위해, 구현체 에이전트가 파트너와 과제 목표 모두에 자율적으로 정렬할 수 있도록 하는 새로운 프레임워크인 협력 법칙 학습(Learning Laws of Cooperation, LLawCo)을 제안한다. 본 프레임워크는 에이전트가 과거 실패를 성찰하여 정렬되지 않은 행동 패턴을 추출하고, 이를 "필요할 때 대화하기(Talk when necessary)"와 "파트너를 기다리기(Wait for partner)"와 같은 고수준 행동 법칙을 도출하는 데 활용한다. 이러한 법칙은 지도 미세조정(supervised fine-tuning)을 통해 에이전트의 사고의 연쇄(Chain-of-Thought)에 명시적으로 통합되어, 추론을 과제 요구사항 및 다른 에이전트의 행동과 정렬한다. 본 접근법을 평가하기 위해 PARTNR 환경을 기반으로 한 대규모 다중 에이전트 의사소통 및 협력 계획 벤치마크인 PARTNR-Dialog를 도입한다. 기존 과제와 새 벤치마크에 대한 실험은 협력 효율성과 과제 성공률에서 상당한 향상을 보여준다. 4개의 백본 LLM에 걸쳐, 본 방법은 최신(state-of-the-art) 오픈소스 의사소통 에이전트 프레임워크 대비 PARTNR-Dialog 벤치마크에서 평균 성공률 4.5%, TDW-MAT 벤치마크에서 6.8%의 향상을 달성한다. 자세한 내용은 LLawCo 프로젝트 페이지를 참조: https://www.merl.com/research/highlights/LLawCo

토론

이 논문과 연결된 포럼 글이 아직 없습니다.