.png){kind=icon}
返回
Challenges Faced by Large Language Models in Solving Multi-agent Flocking
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04584-3_28.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
群集是一种行为，其中系统中的多个智能体试图在保持彼此靠近的同时避免碰撞并维持期望的队形。这种现象在自然界中存在，并在机器人学中有应用，包括搜索与救援、野生动物追踪和边界监控。近期，大型语言模型（LLMs）已展现出作为个体决策者解决各种协作任务的能力。使用LLMs解决多智能体群集问题将证明它们在需要空间和去中心化决策的场景中的实用性。然而，当由LLMs驱动的智能体被赋予实施多智能体群集的任务时，其行为未达到预期。经过大量测试，我们发现将LLMs作为个体决策者的智能体通常会倾向于汇聚到其初始位置的平均值或彼此分散。在分解问题后，我们发现LLMs无法有意义地理解维持形状或保持距离。使用LLMs解决多智能体群集问题将增强它们对协作空间推理的理解能力，并为解决更复杂的多智能体任务奠定基础。本文讨论了LLMs在多智能体群集方面面临的挑战，并提出了未来改进和研究的方向。
Keyword:
Large language models (LLMs)
multi-agent systems
flocking
期刊
D
IF:
0
论文数:
22
被引数:
0
机构
引用论文
Investigating the Effectiveness of Task-Agnostic Prefix Prompt for Instruction Following研究任务无关前缀提示在指令遵循中的有效性
OAAI
OAAI分享收藏Flocking for Multiple Subgroups of Multi-Agents With Different Social Distancing.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏
查看更多内容