論文の概要: LLMSat: A Large Language Model-Based Goal-Oriented Agent for Autonomous Space Exploration
- arxiv url: http://arxiv.org/abs/2405.01392v1
- Date: Sat, 13 Apr 2024 03:33:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-05 17:44:45.344931
- Title: LLMSat: A Large Language Model-Based Goal-Oriented Agent for Autonomous Space Exploration
- Title（参考訳）: LLMSat: 自律宇宙探査のための大規模言語モデルに基づくゴール指向エージェント
- Authors: David Maranto,
- Abstract要約: 本研究は,宇宙船の高レベル制御システムとしてのLarge Language Models (LLMs)の適用について検討する。
一般的なゲームエンジンであるKerbal Space Programでシミュレートされた一連の深宇宙ミッションシナリオをケーススタディとして使用し、要求に対する実装を評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As spacecraft journey further from Earth with more complex missions, systems of greater autonomy and onboard intelligence are called for. Reducing reliance on human-based mission control becomes increasingly critical if we are to increase our rate of solar-system-wide exploration. Recent work has explored AI-based goal-oriented systems to increase the level of autonomy in mission execution. These systems make use of symbolic reasoning managers to make inferences from the state of a spacecraft and a handcrafted knowledge base, enabling autonomous generation of tasks and re-planning. Such systems have proven to be successful in controlled cases, but they are difficult to implement as they require human-crafted ontological models to allow the spacecraft to understand the world. Reinforcement learning has been applied to train robotic agents to pursue a goal. A new architecture for autonomy is called for. This work explores the application of Large Language Models (LLMs) as the high-level control system of a spacecraft. Using a systems engineering approach, this work presents the design and development of an agentic spacecraft controller by leveraging an LLM as a reasoning engine, to evaluate the utility of such an architecture in achieving higher levels of spacecraft autonomy. A series of deep space mission scenarios simulated within the popular game engine Kerbal Space Program (KSP) are used as case studies to evaluate the implementation against the requirements. It is shown the reasoning and planning abilities of present-day LLMs do not scale well as the complexity of a mission increases, but this can be alleviated with adequate prompting frameworks and strategic selection of the agent's level of authority over the host spacecraft. This research evaluates the potential of LLMs in augmenting autonomous decision-making systems for future robotic space applications.
- Abstract（参考訳）: 宇宙船はより複雑なミッションで地球からさらに遠くを旅するので、より大きな自律性と搭載されたインテリジェンスを持つシステムが求められている。
太陽系全体探査の速度を上げるためには、人間によるミッションコントロールへの依存を減らすことがますます重要になる。
最近の研究は、ミッション実行における自律性のレベルを高めるために、AIベースの目標指向システムを調査している。
これらのシステムは、宇宙船の状態と手作りの知識ベースから推論するために象徴的な推論マネージャを使用し、自律的なタスクの生成と再計画を可能にする。
このようなシステムは制御されたケースで成功したことが証明されているが、宇宙船が世界を理解するために人為的な存在論モデルを必要とするため、実装は困難である。
強化学習は、目標を追求するロボットエージェントの訓練に応用されている。
自律性のための新しいアーキテクチャが求められます。
本研究は,宇宙船の高レベル制御システムとしてのLarge Language Models (LLMs)の適用について検討する。
本研究は, システム工学的アプローチを用いて, LLMを推論エンジンとして活用し, より高レベルの宇宙船自律性を実現するためのアーキテクチャの有用性を評価することによって, エージェント宇宙船制御装置の設計と開発を行う。
一般的なゲームエンジンであるKerbal Space Program (KSP) でシミュレートされた一連の深宇宙ミッションシナリオをケーススタディとして使用し、要求に対する実装を評価する。
現在のLSMの推論と計画能力は、ミッションの複雑さが増大するにつれて拡張できないが、これは適切なプロンプトフレームワークと、ホスト宇宙船に対するエージェントの権限レベルを戦略的に選択することで緩和できる。
本研究は、将来のロボット宇宙応用のための自律的意思決定システムの強化におけるLLMの可能性を評価する。
関連論文リスト
- Adversarial Machine Learning Threats to Spacecraft [1.837431956557716]
自律性への依存が高まるにつれ、宇宙車両は自律プロセスを妨害するために設計された攻撃に対してますます脆弱になる。
本稿では、敵機械学習(AML)が宇宙船にもたらす脅威を解明し、実証することを目的とする。
論文 参考訳（メタデータ） (2024-05-14T02:42:40Z) - Plan-Seq-Learn: Language Model Guided RL for Solving Long Horizon Robotics Tasks [50.27313829438866]
Plan-Seq-Learn (PSL) は、抽象言語と学習した低レベル制御の間のギャップを埋めるためにモーションプランニングを使用するモジュラーアプローチである。
PSLは85%以上の成功率、言語ベース、古典的、エンドツーエンドのアプローチを達成している。
論文 参考訳（メタデータ） (2024-05-02T17:59:31Z) - Language Models are Spacecraft Operators [36.943670587532026]
大規模言語モデル(LLM)は、ユーザのテキストプロンプトの内容に基づいてアクションを行う自律エージェントである。
我々は,KSPDG(Kerbal Space Program Differential Games)チャレンジに対して,純粋なLLMベースのソリューションを開発した。
論文 参考訳（メタデータ） (2024-03-30T16:43:59Z) - LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。
本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
論文 参考訳（メタデータ） (2023-11-02T07:23:33Z) - Spacecraft Autonomous Decision-Planning for Collision Avoidance: a
Reinforcement Learning Approach [0.0]
本研究は、強化学習技術に基づく宇宙船における自律的なCA意思決定機能の実装を提案する。
提案フレームワークは,軌道上の破片の状態を不完全な監視し,正確な衝突回避策(CAM)を実行するためのポリシーをAIシステムが効果的に学習できるようにする。
目的は、CAMを自律的に実施するための意思決定プロセスを、人間の介入なしに宇宙船に委譲することである。
論文 参考訳（メタデータ） (2023-10-29T10:15:33Z) - Optimality Principles in Spacecraft Neural Guidance and Control [16.59877059263942]
我々は、エンドツーエンドの神経誘導と制御アーキテクチャ(以下、G&CNetと呼ばれる)は、最適な原則に従って行動することの重荷をオンボードで転送できると主張している。
このようにして、センサー情報はリアルタイムで最適な計画に変換され、ミッションの自律性と堅牢性が向上する。
本稿では、惑星間移動、着陸、近接操作のシミュレーションにおいて、そのようなニューラルネットワークのトレーニングにおいて得られた主な成果について論じる。
論文 参考訳（メタデータ） (2023-05-22T14:48:58Z) - Assurance for Autonomy -- JPL's past research, lessons learned, and
future directions [56.32768279109502]
幅広い状況の変動が、事前計画された応答を妨げている場合、自律性が必要である。
ミッション・アシュアランス(Mission Assurance)は、信頼性を提供する上で重要な貢献者であるが、何十年にもわたって宇宙飛行に輝く保証の実践は、自律性に関する経験が比較的少ない。
JPLのソフトウェア保証グループの研究者は、自律性の保証に特化した技術の開発に関与している。
論文 参考訳（メタデータ） (2023-05-16T18:24:12Z) - Enabling Astronaut Self-Scheduling using a Robust Advanced Modelling and
Scheduling system: an assessment during a Mars analogue mission [44.621922701019336]
アナログ宇宙飛行士の乗組員によるコンピュータ意思決定支援ツールの使用について検討した。
提案されたツールはRomieと呼ばれ、Robost Advanced Modelling and Scheduling (RAMS)システムの新しいカテゴリに属している。
論文 参考訳（メタデータ） (2023-01-14T21:10:05Z) - Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
高速物体把握のための完全自律飛行ロボットが提案されている。
追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。
我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
論文 参考訳（メタデータ） (2021-12-10T11:49:51Z) - Successor Feature Landmarks for Long-Horizon Goal-Conditioned
Reinforcement Learning [54.378444600773875]
大規模で高次元の環境を探索するフレームワークであるSFL(Successor Feature Landmarks)を紹介する。
SFLは、状態のノベルティを推定して探索を推進し、状態空間を非パラメトリックなランドマークベースのグラフとして抽象化することで、高レベルな計画を可能にする。
我々は,MiniGrid と ViZDoom の実験において,SFL が大規模高次元状態空間の効率的な探索を可能にすることを示す。
論文 参考訳（メタデータ） (2021-11-18T18:36:05Z) - ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for
Mobile Manipulation [99.2543521972137]
ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。
本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。
ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
論文 参考訳（メタデータ） (2020-08-18T08:05:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。