関与度を考慮したLLMエージェントによる追跡回避

- 本論文は、階層型マルチエージェントアーキテクチャを提案する。 - 独立したLLMプランナーが攻撃チームと防御チームの戦略的役割割り当てを行う。 - 低レベル制御実行とは分離されている。 - 各プランニングサイクルで、各チームのLLMプランナーは自チームを完全に観測するが、敵チームはロボットの合成視野内のみ観測する。 - 各ロボットに戦術的役割（例：周囲を保持、接触時に侵入者を無力化、捕獲のために味方と合流）と自然言語による正当化を割り当てる。 - 各ロボットは割り当てられた役割を、receding-horizon MPCコントローラと離散時間CBFフィルタで独立に実行する。 - 安全性と役割依存の交戦制約を考慮する。 - 防御プランナーは部分的観測下で脅威解決とリソース配分のバランスを取る必要がある。

- 先行研究と比べて、LLMプランナーを高レベル役割割り当てに用い、低レベル制御と分離した点が新しい。 - 従来の手法では、役割割り当てと制御が密結合していた可能性がある。 - 本手法では、同じ低レベル制御アーキテクチャを維持しつつ、高レベルLLM役割割り当てを通じて集団行動を適応できる。 - 部分的観測下での攻撃・防御チームの役割割り当てをLLMで行う点が特徴的。 - 具体的な先行研究との比較は要旨からは不明。

- 階層型マルチエージェントアーキテクチャ。 - 各チームに独立したLLMプランナーを配置。 - プランナーは自チームを完全観測、敵チームは合成視野内のみ観測。 - 各ロボットに戦術的役割と自然言語正当化を割り当て。 - 各ロボットはreceding-horizon MPCコントローラで役割を実行。 - その後、離散時間CBFフィルタで安全性と役割依存の交戦制約を保証。 - 防御側は部分的観測下で脅威解決とリソース配分のバランスを取る。 - 状態ベースの戦術推論と画像ベースの接触分類を評価。

- 可変サイズの敵チームに対してフレームワークを評価。 - 状態ベースの戦術推論と画像ベースの接触分類の両方を使用。 - 結果、高レベルLLM役割割り当てを通じて集団行動を適応できることを示した。 - 同じ低レベル制御アーキテクチャを維持。 - 具体的な評価指標や実験設定は要旨からは不明。

- 部分的観測下での防御プランナーの脅威解決とリソース配分のバランスが課題。 - 異なる捕獲と無力化のインセンティブが防御プランナーに影響。 - LLM役割割り当ての有効性と限界について議論の余地がある。 - 具体的な議論や限界は要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、receding-horizon MPC、control barrier function (CBF)、LLMプランナー、マルチエージェント pursuit-evasion が挙げられる。 - 同分野の定番として、multi-agent reinforcement learning (MARL) や classical pursuit-evasion の論文が次に読むべき候補。