Resumen:Coordinar múltiples agentes autónomos en entornos compartidos bajo condiciones descentralizadas es un desafío de larga data en robótica e inteligencia artificial. Este trabajo aborda el problema de la asignación descentralizada de objetivos para la planificación de rutas de múltiples agentes, donde los agentes generan de forma independiente preferencias clasificadas sobre los objetivos basándose en representaciones estructuradas del entorno, incluidas visualizaciones de cuadrículas y datos de escenarios. Después de esta fase de razonamiento, los agentes intercambian sus clasificaciones de objetivos y las asignaciones se determinan mediante una regla fija y determinista de resolución de conflictos (por ejemplo, ordenamiento del índice de agentes), sin negociación ni coordinación iterativa. Comparamos sistemáticamente heurísticas codiciosas, asignaciones óptimas y agentes basados en modelos de lenguaje grande (LLM) en entornos de mundos cuadriculados totalmente observables. Nuestros resultados muestran que los agentes basados en LLM, cuando se les proporcionan indicaciones bien diseñadas e información cuantitativa relevante, pueden lograr tiempos de preparación casi óptimos y superar consistentemente las heurísticas tradicionales. Estos hallazgos subrayan el potencial de los modelos de lenguaje para la asignación descentralizada de objetivos en la planificación de rutas de múltiples agentes y resaltan la importancia de la estructura de la información en dichos sistemas.
Publicado originalmente en export.arxiv.org el 28 de octubre de 2025.
Ver fuente original
