将协作动态提炼到潜在空间中，以实现去中心化多智能体操作中的隐式协调

多臂操纵需要精确的时空协调，但随着团队规模的增加，许多集中式方法的扩展性很差。为了解决这个问题，我们提出了 CLS-DP，一种去中心化的多智能体框架，它可以在部分可观察性下实现隐式协调，而无需共享全局视图、显式状态信息或智能体间通信。在集中训练和分散执行（CTDE）范式下，CLS-DP 将特权多智能体动态提炼到潜在空间中。在部署时，每个代理从其本地 RGB 观察和共享任务指令中推断出协作潜力；然后，它根据该潜值调节扩散去噪过程。这种设计可以实现与每个代理成本的隐式协调，而与团队规模无关。在跨越 2 到 4 个智能体的 6 个 RoboFactory 基准任务中，CLS-DP 实现了 38% 的平均成功率，优于最佳的集中式基准 (20%) 和没有协作潜力的去中心化消融 (9%)。它还在所有代理配置中保持卓越的参数效率。归因图显示，以协作潜伏为条件的智能体在整个执行过程中将高度归因放在其自身及其队友的关节和抓手上。这表明学习到的潜在变量有效地编码了来自局部观察的协作动态，这促进了以部分可观察性为特征的现实环境中的隐式协调。