[论文解读] A Survey on Context-Aware Multi-Agent Systems: Techniques, Challenges and Future Directions

Hung Du, Srikanth Thudumu+2 more|arXiv (Cornell University)|Feb 3, 2024

Context-Aware Activity Recognition Systems被引用 6

一句话总结

本综述分析了情境感知系统如何与多智能体系统（CA-MAS）集成，概述了一个通用过程、技术、领域、挑战以及未来方向。

ABSTRACT

Research interest in autonomous agents is on the rise as an emerging topic. The notable achievements of Large Language Models (LLMs) have demonstrated the considerable potential to attain human-like intelligence in autonomous agents. However, the challenge lies in enabling these agents to learn, reason, and navigate uncertainties in dynamic environments. Context awareness emerges as a pivotal element in fortifying multi-agent systems when dealing with dynamic situations. Despite existing research focusing on both context-aware systems and multi-agent systems, there is a lack of comprehensive surveys outlining techniques for integrating context-aware systems with multi-agent systems. To address this gap, this survey provides a comprehensive overview of state-of-the-art context-aware multi-agent systems. First, we outline the properties of both context-aware systems and multi-agent systems that facilitate integration between these systems. Subsequently, we propose a general process for context-aware systems, with each phase of the process encompassing diverse approaches drawn from various application domains such as collision avoidance in autonomous driving, disaster relief management, utility management, supply chain management, human-AI interaction, and others. Finally, we discuss the existing challenges of context-aware multi-agent systems and provide future research directions in this field.

研究动机与目标

• 概述使集成成为可能的情境感知系统（CAS）与多智能体系统（MAS）的属性。
• 提出一个通用的 CAS-to-MAS 过程并确定 CA-MAS 的阶段（Sense-Learn-Reason-Predict-Act）。
• 对跨领域的 CA-MAS 中的情境建模、推理与感知技术进行综述。
• 讨论 CA-MAS 面临的挑战并提出未来研究方向。

提出的方法

• 回顾现有的 MAS 与 CAS 文献，以识别集成点和常见架构。
• 提出五阶段的 CA-MAS 过程（Sense-Learn-Reason-Predict-Act）并将技术映射到各阶段。
• 对情境建模方法（键值、面向对象、基于本体等）和推理方法（基于规则、案例推理、模糊逻辑、基于图、目标导向、强化学习/深度强化学习）进行分类。
• 突出代理感知水平（主动感知、情境感知和上下文感知）以及在 CA-MAS 中使用的组织结构（如分层、全层次结构、市场）。
• 讨论应用领域（碰撞避免、灾难救援、公用事业与供应链管理、人机交互、网络安全）并指出未来的研究方向。

实验结果

研究问题

• RQ1 哪些技术将情境感知与多智能体系统在 CA-MAS 中集成？
• RQ2 构建健壮的 CA-MAS 面临的主要挑战是什么，以及如何解决？
• RQ3 CA-MAS 研究尚存的未来方向和未解的问题有哪些？
• RQ4 不同的情境建模和推理方法如何在各领域影响 CA-MAS 的性能？

主要发现

• 提供 CA-MAS 及其基础概念的前沿综述。
• 介绍一个通用的 CA-MAS 五阶段过程：Sense-Learn-Reason-Predict-Act。
• 识别 CA-MAS 中使用的情境建模和推理技术，包括基于本体的模型以及用于学习表示的 DRL/RL。
• 讨论 CA-MAS 中使用的各种代理感知水平与组织结构。
• 突出 CA-MAS 在多个应用领域的应用，并概述未来的研究方向。