研究人员提出了 LDT-Coord，这是一个面向由异构大型语言模型 (LLM) 驱动的具身智能体团队的联网协调框架。该系统利用轻量级数字孪生服务器，将协调过程与自然语言推理解耦，从而解决现有多轮对话方法中固有的高通信成本和动作延迟问题。

  • 智能体向 DT 服务器报告预期动作和结构化时间约束，而不是参与迭代谈判。
  • 一个无需训练的基于规则的编排器解决了跨智能体对共享资源的冲突。
  • 智能体报告控制被表述为受限部分可观察马尔可夫决策过程 (C-POMDP)，并使用 PPO-Lagrangian 算法求解。
  • 仿真结果表明，任务成功率与传统方法相当，同时将通信开销降低了 70 倍以上。

该框架在 LLM 异构性下保持鲁棒性，为网络资源有限环境中的物理 AI 部署提供了可靠的协调机制。