임시 팀 협업에서의 작업 독립적 적응을 위한 파트너 능력 추정

Partner Capability Estimation for Task-Agnostic Adaptation in Ad-Hoc Teamwork

자율 에이전트가 새로운 다양한 파트너와 효과적으로 협력하는 능력은 매우 중요합니다. 현재 대부분의 임시 팀 협업(AHT) 방법론은 에이전트들이 단일하고 고정된 작업에 협력하며, 파트너의 능력이 이미 알려져 있다고 가정합니다. 현실에서는 파트너의 실제 능력이 종종 숨겨져 있으며, 인간 협력자들은 여러 개의 가능한 전략을 가진 작업에서 최적 이하의 방식으로 행동할 수 있습니다. 이러한 한계를 극복하기 위해, 우리는 임시 팀 협업을 다중 작업 환경으로 확장하고, 숨겨진 파트너 능력을 고려한 분산 실행 기반의 공동 계획 문제로 재구성합니다. 우리는 문맥 모델을 통한 능력 추정(CE-CM)이라는 근사 베이지안 방법을 도입하여 작업에 독립적인 능력 벡터를 추론합니다. 에이전트는 시뮬레이션을 기반으로 샘플링을 사용하여 능력을 추정하고, 계획을 위한 문맥 멀티 에이전트 마르코프 결정 프로세스를 유도합니다. 이 방법은 사전 학습 없이 작동하며, 몇 가지 작업만으로 온라인에서 자체적인 믿음을 개선합니다. 인간의 예측 불가능성을 고려하기 위해, 우리는 CE-CM의 확장 버전인 CE-CM-Div를 제안합니다. CE-CM-Div는 단일 최적 경로가 아닌 다양한 계획 시나리오에 대한 능력 가설을 평가합니다. 시뮬레이션 실험 결과, CE-CM은 숨겨진 능력을 빠르게 파악하고, 실행 불가능한 작업 할당을 줄이며, 시간에 따른 변화에 적응할 수 있음이 나타났습니다. 또한, 15명의 참가자로부터 얻은 225개의 경로를 사용한 오프라인 인간 연구에서, CE-CM-Div는 기본 CE-CM 방법보다 능력 추정 능력이 크게 향상되었습니다. 우리의 결과는 능력 기반 모델링이 해석 가능하고 작업 독립적인 표현으로 유망하며, 견고한 인간-AI 협업을 위해서는 행동 다양성을 고려하는 것이 필수적이라는 것을 보여줍니다.

Effective collaboration with novel and diverse partners is a crucial skill for autonomous agents. Most current ad-hoc teamwork (AHT) approaches assume that agents will collaborate on a single, fixed task and that the partner's capabilities, their ability to successfully execute the desired action, are already known. In reality, a partner's true capabilities are often hidden, and human collaborators may act sub-optimally on tasks with multiple valid strategies. To address these limitations, we extend ad-hoc teamwork into a multi-task setting by re-framing it as a problem of joint planning with decentralised execution under hidden partner capabilities. We introduce CE-CM (Capability Estimation via Contextual Models), an approximate Bayesian method that infers task-invariant capability vectors. By using simulation-based sampling, the agent estimates capabilities and induces a contextual Multi-agent Markov Decision Processes for planning. This approach requires no population pre-training and refines its beliefs online from just a few tasks. To account for human unpredictability, we propose CE-CM-Div, an extension that evaluates capability hypotheses against diverse planner rollouts rather than a single optimal trajectory. Simulated experiments demonstrate that CE-CM rapidly recovers hidden capabilities, reduces infeasible action assignments, and adapts to changes over time. Furthermore, in an offline human study of 225 trajectories from 15 participants, CE-CM-Div substantially improved capability estimates over the baseline CE-CM method. Our results suggest capability-based modelling is a promising interpretable, task-agnostic representation in the studied settings, demonstrating that accounting for behavioural diversity is essential for robust human-AI teaming.