論文の概要: Reducing Latency in LLM-Based Natural Language Commands Processing for Robot Navigation

• arxiv url: http://arxiv.org/abs/2506.00075v1
• Date: Thu, 29 May 2025 21:16:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:32.192902
• Title: Reducing Latency in LLM-Based Natural Language Commands Processing for Robot Navigation
• Title（参考訳）: ロボットナビゲーションのためのLLMに基づく自然言語コマンド処理におけるレイテンシ低減
• Authors: Diego Pollini, Bruna V. Guterres, Rodrigo S. Guerra, Ricardo B. Grando,
• Abstract要約: 本研究では,ChatGPT自然言語モデルとロボットオペレーティング・システム2(ROS2)の統合によるインタラクション遅延の軽減について検討する。 トランスポートプラットフォームを必要とせずにこれらの技術を統合するアーキテクチャを提案する。 実験により、この統合により、人間とロボットの相互作用の実行速度、ユーザビリティ、アクセシビリティが向上することが示された。
• 参考スコア（独自算出の注目度）: 0.2516577526761521
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of Large Language Models (LLMs), such as GPT, in industrial robotics enhances operational efficiency and human-robot collaboration. However, the computational complexity and size of these models often provide latency problems in request and response times. This study explores the integration of the ChatGPT natural language model with the Robot Operating System 2 (ROS 2) to mitigate interaction latency and improve robotic system control within a simulated Gazebo environment. We present an architecture that integrates these technologies without requiring a middleware transport platform, detailing how a simulated mobile robot responds to text and voice commands. Experimental results demonstrate that this integration improves execution speed, usability, and accessibility of the human-robot interaction by decreasing the communication latency by 7.01\% on average. Such improvements facilitate smoother, real-time robot operations, which are crucial for industrial automation and precision tasks.
• Abstract（参考訳）: GPTのような大規模言語モデル(LLM)を産業用ロボティクスに統合することで、運用効率と人間とロボットの協調性が向上する。 しかしながら、これらのモデルの計算複雑性とサイズは、要求時間と応答時間の遅延問題をもたらすことが多い。 本研究では,ChatGPT自然言語モデルとロボットオペレーティングシステム2(ROS2)を統合することにより,対話の遅延を緩和し,シミュレーションされたガゼボ環境下でのロボットシステム制御を改善する。 シミュレーションされた移動ロボットがテキストや音声コマンドにどのように反応するかを詳述し、ミドルウェアトランスポートプラットフォームを必要とせずにこれらの技術を統合するアーキテクチャを提案する。 実験により,この統合により,通信遅延を平均7.01\%減少させることで,人間とロボットのインタラクションの実行速度,ユーザビリティ,アクセシビリティが向上することが示された。 このような改善は、産業自動化や精密作業に不可欠な、よりスムーズでリアルタイムなロボット操作を促進する。

関連論文リスト

• Robot-R1: Reinforcement Learning for Enhanced Embodied Reasoning in Robotics [55.05920313034645]
  本稿では,ロボット制御に特化して具体的推論を強化するため,強化学習を活用した新しいフレームワークであるRobot-R1を紹介する。 DeepSeek-R1学習アプローチにインスパイアされたRobot-R1は、推論に基づく応答をサンプリングし、より正確な予測につながるものを強化する。 実験の結果,ロボットR1で訓練したモデルは,具体的推論タスクにおいて,SFT法よりも優れていた。
  論文  参考訳（メタデータ） (2025-05-29T16:41:12Z)
• Fault-Tolerant Multi-Robot Coordination with Limited Sensing within Confined Environments [0.6144680854063939]
  マルチロボットシステムにおける物理的接触相互作用を利用した新しいフォールトトレランス手法を提案する。 そこで本研究では, ロボットの動作を, 操作不能なロボットに遭遇する可能性に基づいて調整する「アクティブコンタクト応答(ACR)」手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T02:43:36Z)
• Taccel: Scaling Up Vision-based Tactile Robotics via High-performance GPU Simulation [50.34179054785646]
  ロボット,触覚センサ,物体を精度と前例のない速度でモデル化するために,IPCとABDを統合した高性能なシミュレーションプラットフォームであるTaccelを提案する。 Taccelは正確な物理シミュレーションとリアルな触覚信号を提供し、ユーザフレンドリーなAPIを通じて柔軟なロボットセンサー構成をサポートする。 これらの能力は、触覚ロボットの研究と開発を拡大するための強力なツールとして、Taccelを位置づけている。
  論文  参考訳（メタデータ） (2025-04-17T12:57:11Z)
• HACTS: a Human-As-Copilot Teleoperation System for Robot Learning [47.9126187195398]
  HACTS(Human-As-Copilot Teleoperation System)は,ロボットアームと遠隔操作ハードウェアを双方向でリアルタイムに同期させるシステムである。 このシンプルで効果的なフィードバックメカニズムは、自動運転車のステアリングホイールに似たもので、人間の操縦士がシームレスに介入し、将来の学習のために行動補正データを収集することを可能にする。
  論文  参考訳（メタデータ） (2025-03-31T13:28:13Z)
• Force-Based Robotic Imitation Learning: A Two-Phase Approach for Construction Assembly Tasks [2.6092377907704254]
  本稿では,ロボット学習を改善するための2段階システムを提案する。 第1フェーズは、ROS-Sharpを介して仮想シミュレータにリンクされたロボットアームを使用して、オペレータからリアルタイムデータをキャプチャする。 第2段階では、このフィードバックは、学習プロセスに力フィードバックを組み込むための生成的アプローチを用いて、ロボットの動き指示に変換される。
  論文  参考訳（メタデータ） (2025-01-24T22:01:23Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• Efficient Causal Discovery for Robotics Applications [2.1244188321694146]
  我々は,F-PCMCI(F-PCMCI)と呼ばれる高速かつ正確な因果解析のためのアプローチの実例を示す。 提案したアプリケーションは,F-PCMCIが人間とロボットの相互作用シナリオの因果モデルを正確にかつ迅速に再構築できることを示す。
  論文  参考訳（メタデータ） (2023-10-23T13:30:07Z)
• WALL-E: Embodied Robotic WAiter Load Lifting with Large Language Model [92.90127398282209]
  本稿では,最新のLarge Language Models(LLM)と既存のビジュアルグラウンドとロボットグルーピングシステムを統合する可能性について検討する。 本稿では,この統合の例としてWALL-E (Embodied Robotic WAiter load lifting with Large Language model)を紹介する。 我々は,このLCMを利用したシステムを物理ロボットに展開し,よりユーザフレンドリなインタフェースで指導誘導型把握タスクを実現する。
  論文  参考訳（メタデータ） (2023-08-30T11:35:21Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)

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。