講演情報
[4F5-OS-29c-06]視覚–言語モデルを用いた協調マルチエージェントのデュアルプロセス意図推論
〇長村 一樹1、内田 秀継1、松本 智佳子1、安部 登樹1 (1. 富士通株式会社)
キーワード：
協調的マルチエージェントシステム、デュアルプロセス推論、視覚言語モデル
協調マルチエージェント制御では，相手の意図を予測しながら高速に反応することが重要である．従来のOvercookedエージェントは，シンボリックあるいはテキストベースの状態表現に基づくLLM推論に依存しており，画像に含まれる空間的な手がかりを十分に活用できていなかった．一方，Vision–Language Model（VLM）は視覚情報に基づく文脈理解を可能にするが，推論遅延や時間的一貫性の課題から，逐次的な行動決定には不向きである． 本研究では，テキストベース推論を画像に基づくVLM推論へと拡張したデュアルプロセス協調エージェント VLM-DPT-Agent を提案する．VLMは視覚情報をもとに、シーンの関係性や意図を含む意味構造を推定し，それらに基づく介入制御および軽量な反省機構と統合することで，高速かつ安定した協調行動を実現する．Overcooked ベンチマークにおける実験により，最大スコア150を達成し，協調性能の向上が確認された．