論文の概要: RALLY: Role-Adaptive LLM-Driven Yoked Navigation for Agentic UAV Swarms

• arxiv url: http://arxiv.org/abs/2507.01378v1
• Date: Wed, 02 Jul 2025 05:44:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.060397
• Title: RALLY: Role-Adaptive LLM-Driven Yoked Navigation for Agentic UAV Swarms
• Title（参考訳）: ALLY: エージェントUAVスワーミングのためのロール適応LDM駆動ヨードナビゲーション
• Authors: Ziyao Wang, Rongpeng Li, Sizhao Li, Yuming Xiang, Haiping Wang, Zhifeng Zhao, Honggang Zhang,
• Abstract要約: 役割適応型LCM駆動ヨードナビゲーションアルゴリズムをアラリカルに開発する。 RALLYは構造化自然言語を用いて効率的な意味コミュニケーションと協調推論を行う。 実験の結果, タスクカバレッジ, 収束速度, 一般化の点で, 従来手法よりも有意な性能を示した。
• 参考スコア（独自算出の注目度）: 15.891423894740045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intelligent control of Unmanned Aerial Vehicles (UAVs) swarms has emerged as a critical research focus, and it typically requires the swarm to navigate effectively while avoiding obstacles and achieving continuous coverage over multiple mission targets. Although traditional Multi-Agent Reinforcement Learning (MARL) approaches offer dynamic adaptability, they are hindered by the semantic gap in numerical communication and the rigidity of homogeneous role structures, resulting in poor generalization and limited task scalability. Recent advances in Large Language Model (LLM)-based control frameworks demonstrate strong semantic reasoning capabilities by leveraging extensive prior knowledge. However, due to the lack of online learning and over-reliance on static priors, these works often struggle with effective exploration, leading to reduced individual potential and overall system performance. To address these limitations, we propose a Role-Adaptive LLM-Driven Yoked navigation algorithm RALLY. Specifically, we first develop an LLM-driven semantic decision framework that uses structured natural language for efficient semantic communication and collaborative reasoning. Afterward, we introduce a dynamic role-heterogeneity mechanism for adaptive role switching and personalized decision-making. Furthermore, we propose a Role-value Mixing Network (RMIX)-based assignment strategy that integrates LLM offline priors with MARL online policies to enable semi-offline training of role selection strategies. Experiments in the Multi-Agent Particle Environment (MPE) environment and a Software-In-The-Loop (SITL) platform demonstrate that RALLY outperforms conventional approaches in terms of task coverage, convergence speed, and generalization, highlighting its strong potential for collaborative navigation in agentic multi-UAV systems.
• Abstract（参考訳）: 無人航空機(UAV)のインテリジェントな制御は重要な研究の焦点として現れており、通常、複数のミッション目標に対して障害を避け、継続的なカバレッジを達成するために、群れを効果的に航行させる必要がある。 従来のMARL(Multi-Agent Reinforcement Learning)アプローチは動的適応性を提供するが、数値通信における意味的ギャップと均質な役割構造の剛性によって妨げられ、一般化の貧弱とタスクのスケーラビリティが制限される。 大規模言語モデル(LLM)に基づく制御フレームワークの最近の進歩は、広範囲の事前知識を活用することで、強力な意味推論能力を示している。 しかし、オンライン学習の欠如と静的な事前の過度な信頼のため、これらの研究はしばしば効果的な探索に苦慮し、個々の可能性やシステム全体のパフォーマンスが低下する。 これらの制約に対処するため、我々はロール適応型LLM駆動ヨードナビゲーションアルゴリズムをアラリカルに提案する。 具体的には、構造化自然言語を用いて効率的な意味コミュニケーションと協調的推論を行うLLM駆動型意味決定フレームワークを最初に開発する。 その後、適応的な役割スイッチングとパーソナライズされた意思決定のための動的役割均質化機構を導入する。 さらに、ロール選択戦略の半オフライントレーニングを可能にするために、LLMのオフライン事前処理とMARLオンラインポリシーを統合したロール値混合ネットワーク(RMIX)に基づく割当て戦略を提案する。 MPE(Multi-Agent Particle Environment)環境とSITL(Software-In-The-Loop)プラットフォームにおける実験は、タスクカバレッジ、収束速度、一般化の点で従来の手法よりも優れており、エージェント型マルチUAVシステムにおける協調ナビゲーションの強い可能性を強調している。

関連論文リスト

• Heterogeneous Group-Based Reinforcement Learning for LLM-based Multi-Agent Systems [25.882461853973897]
  本稿では、相対報酬の利点を推定して政策更新を導くマルチエージェント不均一グループ政策最適化(MHGPO)を提案する。 MHGPOは、批判的ネットワークの必要性を排除し、安定性を向上し、計算オーバーヘッドを減らす。 また,効率性と有効性を両立させる3つのグループロールアウトサンプリング戦略も導入する。
  論文  参考訳（メタデータ） (2025-06-03T10:17:19Z)
• Navigating Motion Agents in Dynamic and Cluttered Environments through LLM Reasoning [69.5875073447454]
  本稿では,大規模言語モデル(LLM)によって強化された動作エージェントを,動的・乱雑な環境における自律的なナビゲーションに向けて前進させる。 トレーニング不要なフレームワークは、マルチエージェント調整、クローズドループ計画、動的障害物回避を、リトレーニングや微調整なしでサポートしています。
  論文  参考訳（メタデータ） (2025-03-10T13:39:09Z)
• Position: Towards a Responsible LLM-empowered Multi-Agent Systems [22.905804138387854]
  Agent AIとLarge Language Model-powered Multi-Agent Systems (LLM-MAS)の台頭は、責任と信頼性のあるシステム操作の必要性を浮き彫りにした。 LLMエージェントは固有の予測不能を示し、出力の不確実性は複雑になり、システムの安定性を脅かす。 これらのリスクに対処するためには、アクティブな動的モデレーションを備えた人間中心の設計アプローチが不可欠である。
  論文  参考訳（メタデータ） (2025-02-03T16:04:30Z)
• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• MALMM: Multi-Agent Large Language Models for Zero-Shot Robotics Manipulation [52.739500459903724]
  大規模言語モデル(LLM)は、ロボティクスの操作やナビゲーションなど、さまざまな領域にまたがる優れた計画能力を示している。 特殊なLLMエージェント間で高レベル計画および低レベル制御コード生成を分散する新しいマルチエージェントLLMフレームワークを提案する。 長軸タスクを含む9つのRLBenchタスクに対するアプローチを評価し、ゼロショット環境でロボット操作を解く能力を実証した。
  論文  参考訳（メタデータ） (2024-11-26T17:53:44Z)
• KoMA: Knowledge-driven Multi-agent Framework for Autonomous Driving with Large Language Models [15.951550445568605]
  自律エージェントとしての大規模言語モデル(LLM)は、知識駆動的な方法で現実の課題に取り組むための新しい道筋を提供する。 我々は,マルチエージェントインタラクション,マルチステップ計画,共有メモリ,ランキングベースのリフレクションモジュールからなるKoMAフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-19T12:13:08Z)
• LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving [84.31119464141631]
  この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。 大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
  論文  参考訳（メタデータ） (2023-10-04T17:59:49Z)

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。