論文の概要: A $1000\times$ Faster LLM-enhanced Algorithm For Path Planning in Large-scale Grid Maps

• arxiv url: http://arxiv.org/abs/2510.02716v1
• Date: Fri, 03 Oct 2025 04:33:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.262757
• Title: A $1000\times$ Faster LLM-enhanced Algorithm For Path Planning in Large-scale Grid Maps
• Title（参考訳）: 大規模グリッドマップにおける経路計画アルゴリズムの高速化
• Authors: Junlin Zeng, Xin Zhang, Xiang Zhao, Yan Pan,
• Abstract要約: A*、Dijkstra、およびそれらの変種のような既存の手法は、小規模な地図ではうまく機能するが、検索時間とメモリ消費のために大規模地図には対応できない。 LLMは経路計画において顕著な性能を示したが、いまだに空間錯覚と計画性能に悩まされている。 iLLM-A*は平均で1000ドル以上のスピードアップを達成し、極端な場合は2349.5ドル以上のスピードアップを達成している。
• 参考スコア（独自算出の注目度）: 10.23905808645806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Path planning in grid maps, arising from various applications, has garnered significant attention. Existing methods, such as A*, Dijkstra, and their variants, work well for small-scale maps but fail to address large-scale ones due to high search time and memory consumption. Recently, Large Language Models (LLMs) have shown remarkable performance in path planning but still suffer from spatial illusion and poor planning performance. Among all the works, LLM-A* \cite{meng2024llm} leverages LLM to generate a series of waypoints and then uses A* to plan the paths between the neighboring waypoints. In this way, the complete path is constructed. However, LLM-A* still suffers from high computational time for large-scale maps. To fill this gap, we conducted a deep investigation into LLM-A* and found its bottleneck, resulting in limited performance. Accordingly, we design an innovative LLM-enhanced algorithm, abbr. as iLLM-A*. iLLM-A* includes 3 carefully designed mechanisms, including the optimization of A*, an incremental learning method for LLM to generate high-quality waypoints, and the selection of the appropriate waypoints for A* for path planning. Finally, a comprehensive evaluation on various grid maps shows that, compared with LLM-A*, iLLM-A* \textbf{1) achieves more than $1000\times$ speedup on average, and up to $2349.5\times$ speedup in the extreme case, 2) saves up to $58.6\%$ of the memory cost, 3) achieves both obviously shorter path length and lower path length standard deviation.}
• Abstract（参考訳）: グリッドマップの経路計画は、様々なアプリケーションから生まれ、大きな注目を集めている。 A*、Dijkstra、およびそれらの変種のような既存の手法は、小規模な地図ではうまく機能するが、検索時間とメモリ消費のために大規模地図には対応できない。 近年,大規模言語モデル (LLM) は経路計画において顕著な性能を示したが,空間錯覚や計画性能の低下に悩まされている。 LLM-A* \cite{meng2024llm} は LLM を利用して一連のウェイポイントを生成し、A* を用いて近隣のウェイポイント間の経路を計画する。 このようにして、完全な道が造られる。 しかし、LLM-A* はいまだに大規模地図の計算時間に悩まされている。 このギャップを埋めるために, LLM-A* の深い調査を行い, そのボトルネックを発見し, 性能が制限された。 そこで我々は,革新的なLCM拡張アルゴリズム,abrを設計した。 iLLM-A* として。 iLLM-A* には、A* の最適化、高品質な経路ポイントを生成するための LLM の漸進的な学習方法、経路計画のための A* の適切な経路ポイントの選択など、慎重に設計された3つのメカニズムが含まれている。 最後に,LLM-A* と比較して,iLLM-A* \textbf{1 は平均で10,000\times$ 平均で1,349.5\times$ 極端な場合で最大2,349.5\times$ スピードアップを達成した。 2) メモリコストの最大58.6\%を節約する。 3) 明らかに短い経路長と低い経路長標準偏差を実現する。 ※

関連論文リスト

• LLMAP: LLM-Assisted Multi-Objective Route Planning with User Preferences [31.10423199218523]
  大規模言語モデル(LLM)の台頭により、リッチなユーザ目標を含む新たな研究領域を自然言語駆動で計画するルートが生まれている。 本稿では,自然言語を理解し,タスクを識別し,ユーザの好みを抽出するLLM-asタスクを提案する。 世界中の14の国と27の都市で、様々な複雑さでサンプリングされた1000のルーティングプロンプトを用いて広範な実験を行っている。
  論文  参考訳（メタデータ） (2025-09-14T02:30:19Z)
• LLM-Advisor: An LLM Benchmark for Cost-efficient Path Planning across Multiple Terrains [27.751399400911932]
  マルチテランのコスト効率の高い経路計画は、ロボットナビゲーションにおいて重要な課題である。 我々は,大規模言語モデル(LLM)を経路計画の効果的なアドバイザとして活用する,プロンプトベースのアプローチ LLM-Advisor を開発した。 提案がなされると、A*アルゴリズムに提案されるパスの70.59%、RT*アルゴリズムに69.47%、LLM-A*アルゴリズムに78.70%のコスト効率が達成される。
  論文  参考訳（メタデータ） (2025-03-03T07:02:10Z)
• Towards Efficient Automatic Self-Pruning of Large Language Models [55.90119819642064]
  トレーニング後の構造化プルーニングは、トレーニングを必要とせずに大規模言語モデルを熟成する有望なソリューションである。 この問題を緩和する鍵は、各レイヤのプルーニング率を正確に決定することにある、と我々は主張する。 我々は、レイヤワイドプルーニングレートを効率的に検索するLLMのためのエンドツーエンドの自動自動プルーニングフレームワークである$textbfSelf-Prunerを紹介した。
  論文  参考訳（メタデータ） (2025-02-20T09:59:50Z)
• Universal Model Routing for Efficient LLM Inference [69.86195589350264]
  モデルルーティングは,大規模言語モデル(LLM)の推論コストを削減する手法である 動的ルーティング問題に対する新しいアプローチであるUniRouteを提案する。 これらは理論的に最適なルーティングルールの推定であり、過大なリスクバウンドによってそれらのエラーを定量化する。
  論文  参考訳（メタデータ） (2025-02-12T20:30:28Z)
• LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
  経路計画はロボット工学と自律航法における基本的な科学的問題である。 A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。 本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。 このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-20T01:24:30Z)
• LLM A*: Human in the Loop Large Language Models Enabled A* Search for Robotics [2.9053316583692146]
  本研究は,ロボットなどの移動体エージェントの(パス)計画において,Large Language Models(LLM)がいかに役立つかに焦点を当てる。 LLM A* という新しいフレームワークは LLM のコモンセンスを活用することを目的としており、ユーティリティ最適化 A* は少数ショットに近い経路計画を容易にするために提案されている。 このアプローチでは、人間からのフィードバックを受け取り、計画プロセス全体を(ホワイトボックスのように)人間に透明にします。
  論文  参考訳（メタデータ） (2023-12-04T10:37:58Z)
• LLM+P: Empowering Large Language Models with Optimal Planning Proficiency [46.20085545432116]
  大規模言語モデル(LLM)は、目覚ましいゼロショットの一般化能力を示している。 古典的なプランナーは、一度形式化された方法で問題が与えられると、効率的な検索アルゴリズムを使って、正しい、あるいは最適なプランを素早く特定できる。 本稿では,従来のプランナーの強みを LLM に組み込んだ最初のフレームワークである LLM+P を紹介する。
  論文  参考訳（メタデータ） (2023-04-22T20:34:03Z)

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。