本研究提出了一种新框架，将她夫理论应用于去中心化深度强化学习，以提高多智能体路径规划中的合作效率。实验结果表明，该方法在复杂场景下优于现有技术。

在信息不对称的情况下，开发自主代理人以制定策略并与人类合作面临挑战。我们提出了一种共享控制游戏，通过语言模块和规划模块实现有效沟通，并利用蒙特卡洛树搜索计算策略。实验结果表明，交流能够缩小信息鸿沟，提高合作效率。

本研究提出了一种合作计划优化（CaPo）方法，旨在解决大型语言模型智能体之间的合作问题。通过元计划的生成与执行两个阶段，显著提升了合作效率，实验结果表明其优于现有方法。