論文の概要: LLMs-guided adaptive compensator: Bringing Adaptivity to Automatic Control Systems with Large Language Models
- arxiv url: http://arxiv.org/abs/2507.20509v1
- Date: Mon, 28 Jul 2025 04:12:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:57.788112
- Title: LLMs-guided adaptive compensator: Bringing Adaptivity to Automatic Control Systems with Large Language Models
- Title(参考訳): LLMs-Guided Adaptive compensator:大規模言語モデルを用いた自動制御システムに適応性をもたらす
- Authors: Zhongchao Zhou, Yuxi Lu, Yaonan Zhu, Yifan Zhao, Bin He, Liang He, Wenwen Yu, Yusuke Iwasawa,
- Abstract要約: 大規模言語モデル(LLM)はロボット工学にますます応用されている。
コントローラをスクラッチから設計するのを避けるLLM誘導適応補償フレームワークを提案する。
本研究では,LLMを自動制御の分野に適用するための新たな方向性を開拓する。
- 参考スコア(独自算出の注目度): 22.989496527440636
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With rapid advances in code generation, reasoning, and problem-solving, Large Language Models (LLMs) are increasingly applied in robotics. Most existing work focuses on high-level tasks such as task decomposition. A few studies have explored the use of LLMs in feedback controller design; however, these efforts are restricted to overly simplified systems, fixed-structure gain tuning, and lack real-world validation. To further investigate LLMs in automatic control, this work targets a key subfield: adaptive control. Inspired by the framework of model reference adaptive control (MRAC), we propose an LLM-guided adaptive compensator framework that avoids designing controllers from scratch. Instead, the LLMs are prompted using the discrepancies between an unknown system and a reference system to design a compensator that aligns the response of the unknown system with that of the reference, thereby achieving adaptivity. Experiments evaluate five methods: LLM-guided adaptive compensator, LLM-guided adaptive controller, indirect adaptive control, learning-based adaptive control, and MRAC, on soft and humanoid robots in both simulated and real-world environments. Results show that the LLM-guided adaptive compensator outperforms traditional adaptive controllers and significantly reduces reasoning complexity compared to the LLM-guided adaptive controller. The Lyapunov-based analysis and reasoning-path inspection demonstrate that the LLM-guided adaptive compensator enables a more structured design process by transforming mathematical derivation into a reasoning task, while exhibiting strong generalizability, adaptability, and robustness. This study opens a new direction for applying LLMs in the field of automatic control, offering greater deployability and practicality compared to vision-language models.
- Abstract(参考訳): コード生成、推論、問題解決の急速な進歩により、Large Language Models (LLM) はロボット工学にますます応用されている。
既存の作業の多くは、タスクの分解のようなハイレベルなタスクに焦点を当てています。
フィードバックコントローラ設計におけるLLMの使用についていくつかの研究があるが、これらの取り組みは過度に単純化されたシステム、固定構造ゲインチューニング、現実世界の検証の欠如に制限されている。
自動制御におけるLLMのさらなる研究のために、この研究は重要なサブフィールドである適応制御をターゲットにしている。
モデル参照適応制御(MRAC)の枠組みに着想を得て,制御器の設計をゼロから回避するLLM誘導適応補償器フレームワークを提案する。
代わりに、LLMは未知のシステムと参照システムの相違を利用して、未知のシステムの応答と参照の応答を整合させる補償器を設計し、適応性を達成する。
LLM誘導適応補償器, LLM誘導適応制御, 間接適応制御, 学習ベース適応制御, MRACの5つの手法を, シミュレーション環境と実環境の両方におけるソフトロボットとヒューマノイドロボットで評価した。
その結果, LLM誘導適応補償器は従来の適応制御器よりも優れており, LLM誘導適応制御器と比較して推論の複雑さを著しく低減することがわかった。
リアプノフに基づく解析と推論パス検査により、LLM誘導適応補償器は、数学的導出を推論タスクに変換し、強い一般化可能性、適応性、堅牢性を示すことにより、より構造化された設計プロセスを可能にすることを示した。
本研究では,LLMを自動制御分野に適用するための新たな方向性を開拓し,視覚言語モデルと比較して,デプロイ性と実用性が向上した。
関連論文リスト
- Autonomous Control Leveraging LLMs: An Agentic Framework for Next-Generation Industrial Automation [0.0]
本稿では,大規模言語モデル(LLM)を個別のフォールトリカバリ計画と継続的プロセス制御の両方に活用する統合エージェントフレームワークを提案する。
その結果、構造化されたフィードバックとモジュラーエージェントにより、LLMは高レベルな記号計画と低レベルな連続制御を統一できることを示した。
論文 参考訳(メタデータ) (2025-07-03T11:20:22Z) - Guiding Giants: Lightweight Controllers for Weighted Activation Steering in LLMs [3.2361985831403404]
アクティベーションステアリングは、推論時間制御の代替を提供する。
推論中に軽量でトレーニング可能なコントローラネットワークを組み込んだ新しい手法を提案する。
論文 参考訳(メタデータ) (2025-05-22T01:48:38Z) - Linear Feedback Control Systems for Iterative Prompt Optimization in Large Language Models [0.9572675949441439]
大規模言語モデル(LLM)は、与えられたプロンプトに基づいて出力を生成することで、様々なアプリケーションに革命をもたらした。
本稿では,LLMにおける反復的プロンプト最適化プロセスとフィードバック制御システムとの並列性を示す新しい手法を提案する。
論文 参考訳(メタデータ) (2025-01-21T08:52:47Z) - Large Language Model-Enhanced Reinforcement Learning for Generic Bus Holding Control Strategies [12.599164162404994]
本研究では,Large Language Models(LLMs)の文脈内学習と推論機能を活用した自動報酬生成パラダイムを提案する。
提案するLLM拡張RLパラダイムの実現可能性を評価するため,バス路線数,停留所数,旅客需要数に異なる広範なバス保持制御シナリオに適用した。
論文 参考訳(メタデータ) (2024-10-14T07:10:16Z) - Attribute Controlled Fine-tuning for Large Language Models: A Case Study on Detoxification [76.14641982122696]
本稿では,属性制御付き大規模言語モデル(LLM)の制約学習スキーマを提案する。
提案手法は, ベンチマーク上での競合性能と毒性検出タスクを達成しながら, 不適切な応答を少ないLCMに導出することを示す。
論文 参考訳(メタデータ) (2024-10-07T23:38:58Z) - Reference Trustable Decoding: A Training-Free Augmentation Paradigm for Large Language Models [79.41139393080736]
大規模言語モデル(LLM)は急速に進歩し、印象的な機能を示している。
In-Context Learning (ICL) など。
効率的なファインチューニング(PEFT)は、現在2つの主要な拡張方法である。
下流タスクへのLLM。
我々は、モデルが微調整なしで新しいタスクに迅速に適応できるパラダイムである参照信頼復号(RTD)を提案する。
論文 参考訳(メタデータ) (2024-09-30T10:48:20Z) - CoMMIT: Coordinated Instruction Tuning for Multimodal Large Language Models [68.64605538559312]
本稿では,MLLM命令のチューニングを理論的・経験的両面から解析する。
そこで本研究では,学習バランスを定量的に評価する尺度を提案する。
さらに,MLLMの生成分布の更新を促進する補助的損失正規化手法を提案する。
論文 参考訳(メタデータ) (2024-07-29T23:18:55Z) - 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。