우리는 지속적인 환경을 공유하는 로봇들이 별도로 보관된 시퀀스로부터 한 번에 하나씩 작업을 할당받는 작업 계획 (task planning) 시나리오를 고려합니다. 미래의 작업에 대한 예견이 부족하고 타인의 제약 조건을 고려하지 않는 표준 작업 계획기 (standard task planners)는 각 작업을 고립된 상태에서 해결하며, 이는 모든 로봇의 미래 비용을 증가시키는 종단 상태 (terminal states)와 긴 작업 시퀀스 동안 누적되는 부작용 (side effects)을 남깁니다. 시퀀스 전체의 비용을 줄이기 위해, 로봇은 현재의 행동이 환경을 공유하는 모든 로봇의 미래 작업 성능에 어떻게 영향을 미칠지 예측해야 합니다. 따라서 우리는 모델 기반 계획기 (model-based planner)가 후보 계획들을 제안하고, 각 로봇별로 독립적으로 학습된 추정기 (learned estimators)를 통해 추정된 즉각적인 비용과 모든 로봇에 걸친 통합된 기대 미래 비용을 공동으로 최소화하는 계획을 선택하는 '예의 바른 예측 계획 (courteous anticipatory planning)'을 제시합니다. 이러한 인수 분해된 정식화 (factored formulation)는 조합적인 공동 롤아웃 (combinatorial joint rollouts)을 피하고 모듈식 배포를 지원합니다. 즉, 로봇을 추가할 때 해당 로봇의 추정기만 학습시키면 됩니다. 우리는 두 가지 지속적인 PDDL 도메인에서 이를 평가했습니다: 유사한 능력을 갖추었으나 책임이 다른 로봇들이 있는 가정 환경, 그리고 로봇들의 서로 다른 능력이 다른 로봇들이 해결할 능력이 없는 상태를 만드는 식당 환경입니다. 긴 작업 시퀀스 동안, 우리의 계획기는 2대의 로봇이 있는 가정 환경에서 근시안적 (myopic) 계획 대비 10.43%, 이기적 예측 계획 (selfish anticipatory planning) 대비 4.03%의 총 비용을 절감했으며, 3대의 로봇이 있는 식당 환경에서는 각각 17.41%와 13.24%의 비용을 절감했습니다.