論文の概要: LLM-DaaS: LLM-driven Drone-as-a-Service Operations from Text User Requests

• arxiv url: http://arxiv.org/abs/2412.11672v1
• Date: Mon, 16 Dec 2024 11:25:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:55:41.415697
• Title: LLM-DaaS: LLM-driven Drone-as-a-Service Operations from Text User Requests
• Title（参考訳）: LLM-DaaS: テキストユーザからのLLM駆動型ドローン・アズ・ア・サービス運用
• Authors: Lillian Wassim, Kamal Mohamed, Ali Hamdi,
• Abstract要約: 本稿では,自由文ユーザ要求を構造化し,動作可能なD操作タスクに変換する新しいDroneas-a-Serviceフレームワークを提案する。 システムは、自由テキスト要求処理、構造化要求生成、動的D選択と構成の3つの主要コンポーネントで構成されている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We propose LLM-DaaS, a novel Drone-as-a-Service (DaaS) framework that leverages Large Language Models (LLMs) to transform free-text user requests into structured, actionable DaaS operation tasks. Our approach addresses the key challenge of interpreting and structuring natural language input to automate drone service operations under uncertain conditions. The system is composed of three main components: free-text request processing, structured request generation, and dynamic DaaS selection and composition. First, we fine-tune different LLM models such as Phi-3.5, LLaMA-3.2 7b and Gemma 2b on a dataset of text user requests mapped to structured DaaS requests. Users interact with our model in a free conversational style, discussing package delivery requests, while the fine-tuned LLM extracts DaaS metadata such as delivery time, source and destination locations, and package weight. The DaaS service selection model is designed to select the best available drone capable of delivering the requested package from the delivery point to the nearest optimal destination. Additionally, the DaaS composition model composes a service from a set of the best available drones to deliver the package from the source to the final destination. Second, the system integrates real-time weather data to optimize drone route planning and scheduling, ensuring safe and efficient operations. Simulations demonstrate the system's ability to significantly improve task accuracy, operational efficiency, and establish LLM-DaaS as a robust solution for DaaS operations in uncertain environments.
• Abstract（参考訳）: LLM-DaaSは,Large Language Models(LLM)を活用して,自由テキストユーザ要求を構造化して実行可能なDaaS操作タスクに変換する,新しいDaaSフレームワークである。 提案手法は,不確実な条件下でのドローンサービス運用を自動化するために,自然言語入力を解釈・構造化する上で重要な課題に対処する。 このシステムは、自由テキスト要求処理、構造化要求生成、動的DaaS選択と構成の3つの主要コンポーネントで構成されている。 まず、構造化DaaS要求にマッピングされたテキストユーザリクエストのデータセット上で、Phi-3.5、LLaMA-3.2 7b、Gemma 2bなどの異なるLLMモデルを微調整する。 ユーザーは無料の会話スタイルで私たちのモデルと対話し、パッケージの配信要求について議論する一方、微調整されたLLMは、配信時間、ソースおよび宛先位置、パッケージウェイトなどのDaaSメタデータを抽出する。 DaaSサービス選択モデルは、要求されたパッケージをデリバリポイントから最も近い最適な目的地に届けることのできる、最も優れたドローンを選択するように設計されている。 さらに、DaaSコンポジションモデルは、最高の利用可能なドローンのセットから、パッケージをソースから最終目的地に配信するサービスを構成する。 第二に、このシステムはリアルタイム気象データを統合して、ドローンのルート計画とスケジューリングを最適化し、安全で効率的な運用を保証する。 シミュレーションでは、タスクの正確性、運用効率を大幅に向上し、不確実な環境でのDaaS操作の堅牢なソリューションとしてLLM-DaaSを確立する能力を示す。

関連論文リスト

• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• Sketch: A Toolkit for Streamlining LLM Operations [51.33202045501429]
  大規模言語モデル(LLM)は大きな成功を収めた。 アウトプットフォーマットの柔軟性は、モデルのアウトプットを制御および活用する上での課題を引き起こします。 スケッチ(Sketch)は、多種多様な分野にわたるLCM操作を合理化するための革新的なツールキットである。
  論文  参考訳（メタデータ） (2024-09-05T08:45:44Z)
• AgentGen: Enhancing Planning Abilities for Large Language Model based Agent via Environment and Task Generation [81.32722475387364]
  大規模言語モデルに基づくエージェントが注目され、ますます人気が高まっている。 計画能力は LLM ベースのエージェントの重要な構成要素であり、通常は初期状態から望ましい目標を達成する必要がある。 近年の研究では、専門家レベルの軌跡を指導訓練用LLMに活用することで、効果的に計画能力を向上させることが示されている。
  論文  参考訳（メタデータ） (2024-08-01T17:59:46Z)
• Octo-planner: On-device Language Model for Planner-Action Agents [19.627197141903505]
  Planner-Actionフレームワークは、計画とアクションの実行を2つの異なるコンポーネントに分離する。 Agentはまず、タスクをサブステップのシーケンスに分解してユーザクエリに応答し、アクションエージェントによって実行される。 我々は、文脈内学習の代わりにモデル微調整を採用し、計算コストとエネルギー消費を削減した。
  論文  参考訳（メタデータ） (2024-06-26T05:40:10Z)
• A Practice-Friendly LLM-Enhanced Paradigm with Preference Parsing for Sequential Recommendation [15.153844486572932]
  本稿では、シーケンシャルレコメンデータシステム(SRS)のための優先構文解析(P2Rec)を用いた実践的LLM拡張パラダイムを提案する。 具体的には、情報再構成段階において、事前学習したSRSモデルの助けを借りて、協調的な情報注入のための新しいユーザレベルSFTタスクを設計する。 我々のゴールは、LLMが各ユーザのインタラクションシーケンスから対応する優先度分布を再構築することを学ばせることである。
  論文  参考訳（メタデータ） (2024-06-01T07:18:56Z)
• LLM3:Large Language Model-based Task and Motion Planning with Motion Failure Reasoning [78.2390460278551]
  従来のタスク・アンド・モーション・プランニング(TAMP)アプローチは、シンボル的タスク・プランニングと連続的なモーション・ジェネレーションを結びつける手作業によるインタフェースに依存している。 本稿では,ドメインに依存しないインターフェースを備えたLarge Language Model (LLM) ベースの TAMP フレームワーク LLM3 を提案する。 具体的には、事前学習したLLMの強力な推論と計画能力を活用して、シンボル的なアクションシーケンスを提案し、動作計画のための連続的なアクションパラメータを選択する。
  論文  参考訳（メタデータ） (2024-03-18T08:03:47Z)
• TPTU-v2: Boosting Task Planning and Tool Usage of Large Language Model-based Agents in Real-world Systems [25.854559300612184]
  本稿では,大規模言語モデル(LLM)のタスク計画・ツール利用(TPTU)能力の向上を目的とした包括的フレームワークを提案する。 このフレームワークは、これらの課題に対処するために設計された3つの重要なコンポーネントで構成されている。(1) API Retrieverは、利用可能な広範囲な配列の中で、ユーザタスクに最も関連するAPIを選択し、(2) LLM Finetunerは、タスク計画とAPI呼び出しにより適するように、ベースLSMをチューニングし、(3)Demo Selectorは、難しいAPIに関連するさまざまなデモを適応的に検索する。
  論文  参考訳（メタデータ） (2023-11-19T12:37:30Z)
• Prompt2Model: Generating Deployable Models from Natural Language Instructions [74.19816829003729]
  大規模言語モデル(LLM)により、システムビルダーはプロンプトによって有能なNLPシステムを作成することができる。 言い換えれば、LSMは従来の特殊目的のNLPモデルとは逆のステップである。 本稿では,LLMに提供されるプロンプトのように自然言語によるタスク記述を行う汎用手法であるPrompt2Modelを提案する。
  論文  参考訳（メタデータ） (2023-08-23T17:28:21Z)
• Embodied Task Planning with Large Language Models [86.63533340293361]
  本研究では,現場制約を考慮した地上計画のための具体的タスクにおけるTAsk Planing Agent (TaPA)を提案する。 推論の際には,オープンボキャブラリオブジェクト検出器を様々な場所で収集された多視点RGB画像に拡張することにより,シーン内の物体を検出する。 実験の結果,我々のTaPAフレームワークから生成されたプランは,LLaVAやGPT-3.5よりも大きなマージンで高い成功率が得られることがわかった。
  論文  参考訳（メタデータ） (2023-07-04T17:58:25Z)
• Drone-as-a-Service Composition Under Uncertainty [1.6449390849183356]
  ドローンの動的時間特性に基づくドローン・アズ・ア・サービス(D)のサービスモデルを提案する。 提案手法はスケジューリング,経路計画,構成の3つのコンポーネントから構成される。 実験の結果,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-03-11T07:29:26Z)

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。