ORCH框架利用组织原则提升具身智能体集体性能
论文AI 评分 75/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
ORCH框架将人类组织理论应用于具身多智能体系统，通过构建任务特定的层级组织来协调大规模异构智能体。在涵盖侦察、救援等任务的25次野火响应模拟中，该框架在任务结果、执行效率等方面均优于四种现有方法。人工设计的ORCH组织将最终得分平均提升63.97%，执行效率提升74.29%；由语言模型自动生成的组织也分别实现了43.63%和52.53%的提升。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载组织原则引入
ORCH框架旨在解决人工多智能体系统通常使用固定组织结构的问题，这种结构难以适应物理任务中不同的协调需求。该研究将人类组织理论中的原则操作化，用于组织大规模异构的具身智能体集合。ORCH通过结合池式相互依赖，处理可并行的工作，以及顺序相互依赖，处理受先决关系约束的工作，从而构建出针对特定任务的层级组织。
性能提升显著
研究团队在25次野火响应任务中评估了该框架，这些任务涵盖了侦察、救援、运输、资源管理、遏制和灭火等多个方面。测试使用了多达50个异构智能体和8种大语言模型。结果显示，基于这些原则构建的组织在任务结果、执行效率、探索和计算资源使用方面，始终优于四种具代表性的具身多智能体方法。
人工与自动对比
具体数据表明，人工设计的ORCH组织相对于四种先前的框架，将最终得分平均提高了63.97%，执行效率平均提高了74.29%。而由语言模型自动生成的组织，也将这两项指标分别提高了43.63%和52.53%。这种优势在不同的任务和底层语言模型中均持续存在。值得注意的是，集体性能并非由模型规模单调决定。
长周期任务分析
对长周期任务的分析显示，层级组织使团队能够在专门化的小组内保持并发活动，同时在任务阶段之间协调有序的过渡。这种机制有效地平衡了并行处理与顺序执行的需求，是性能提升的关键因素之一。该研究涉及多智能体系统、人工智能、机器学习及机器人学等领域。
为什么值得看
为大规模具身多智能体协作提供了新的组织范式，显著提升复杂任务执行效率。
智能体
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。