論文の概要: Towards AI-Assisted Generation of Military Training Scenarios

• arxiv url: http://arxiv.org/abs/2511.07690v1
• Date: Wed, 12 Nov 2025 01:11:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.42898
• Title: Towards AI-Assisted Generation of Military Training Scenarios
• Title（参考訳）: AIを活用した軍事訓練シナリオの生成に向けて
• Authors: Soham Hans, Volkan Ustun, Benjamin Nye, James Sterrett, Matthew Green,
• Abstract要約: 本稿では,Large Language Models (LLMs) を利用して重要な学習成果物を生成するマルチエージェント・マルチモーダル推論フレームワークを提案する。 シナリオ生成をサブプロブレムの階層に分解し、AIツールの役割を定義することで、フレームワークを構築します。 本研究は,LLM駆動型マルチエージェントシステムによる文書のコヒーレント・ニュアンス生成の可能性を示す。
• 参考スコア（独自算出の注目度）: 3.491673646235722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving expert-level performance in simulation-based training relies on the creation of complex, adaptable scenarios, a traditionally laborious and resource intensive process. Although prior research explored scenario generation for military training, pre-LLM AI tools struggled to generate sufficiently complex or adaptable scenarios. This paper introduces a multi-agent, multi-modal reasoning framework that leverages Large Language Models (LLMs) to generate critical training artifacts, such as Operations Orders (OPORDs). We structure our framework by decomposing scenario generation into a hierarchy of subproblems, and for each one, defining the role of the AI tool: (1) generating options for a human author to select from, (2) producing a candidate product for human approval or modification, or (3) generating textual artifacts fully automatically. Our framework employs specialized LLM-based agents to address distinct subproblems. Each agent receives input from preceding subproblem agents, integrating both text-based scenario details and visual information (e.g., map features, unit positions and applies specialized reasoning to produce appropriate outputs. Subsequent agents process these outputs sequentially, preserving logical consistency and ensuring accurate document generation. This multi-agent strategy overcomes the limitations of basic prompting or single-agent approaches when tackling such highly complex tasks. We validate our framework through a proof-of-concept that generates the scheme of maneuver and movement section of an OPORD while estimating map positions and movements as a precursor demonstrating its feasibility and accuracy. Our results demonstrate the potential of LLM-driven multi-agent systems to generate coherent, nuanced documents and adapt dynamically to changing conditions, advancing automation in scenario generation for military training.
• Abstract（参考訳）: シミュレーションベースのトレーニングで専門家レベルのパフォーマンスを得るには、複雑で適応可能なシナリオ、伝統的に退屈でリソース集約的なプロセスの作成に依存する。 以前の研究では、軍事訓練のためのシナリオ生成について検討されていたが、LLM以前のAIツールは、十分に複雑なシナリオや適応可能なシナリオを生成するのに苦労した。 本稿では,大規模言語モデル(LLM)を活用して操作順序(OPORD)などの重要な学習成果物を生成するマルチエージェント・マルチモーダル推論フレームワークを提案する。 我々は,シナリオ生成をサブプロブレムの階層に分解し,AIツールの役割を定義することによって,枠組みを構築する。(1)人間の著者が選択する選択肢を生成すること,(2)人間の承認や修正のための候補製品を生成すること,(3)テキストアーティファクトを完全に自動生成すること。 我々のフレームワークは、異なるサブプロブレムに対処するために、特殊なLSMベースのエージェントを使用している。 各エージェントは、先行するサブプロブレムエージェントからの入力を受け取り、テキストベースのシナリオの詳細と視覚情報(例えば、地図の特徴、単位位置)を統合し、特別な推論を適用して適切な出力を生成する。 その後のエージェントはこれらの出力を逐次処理し、論理的一貫性を保持し、正確な文書生成を保証する。 このマルチエージェント戦略は、このような複雑なタスクに対処する際の基本的なプロンプトや単一エージェントアプローチの限界を克服する。 提案手法は,OPORDの動作と動作のスキームを生成するとともに,地図の位置と動きをその実現可能性と精度を示す前駆体として推定する。 本稿は,LLM駆動型マルチエージェントシステムにより,一貫性のあるニュアンスド文書を生成し,状況変化に動的に適応する可能性を示し,軍事訓練におけるシナリオ生成の自動化を推し進めた。

関連論文リスト

• Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
  大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。 既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。 ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
  論文  参考訳（メタデータ） (2025-10-06T10:44:04Z)
• The Landscape of Agentic Reinforcement Learning for LLMs: A Survey [103.32591749156416]
  エージェント強化学習(Agentic RL)の出現は、大規模言語モデル(LLM RL)に適用された従来の強化学習からパラダイムシフトを示している。 本研究では, LLM-RLの縮退した単段階マルコフ決定過程(MDPs)と, エージェントRLを定義する部分可観測マルコフ決定過程(POMDPs)とを対比することにより, この概念シフトを定式化する。
  論文  参考訳（メタデータ） (2025-09-02T17:46:26Z)
• InternBootcamp Technical Report: Boosting LLM Reasoning with Verifiable Task Scaling [71.37579508777843]
  大規模言語モデル(LLM)は、複雑な推論機能を実現することによって、人工知能に革命をもたらした。 このギャップに対処するため、1000以上のドメイン分散タスク環境からなるオープンソースのフレームワークであるInternBootcampを紹介します。
  論文  参考訳（メタデータ） (2025-08-12T05:00:00Z)
• MaskSearch: A Universal Pre-Training Framework to Enhance Agentic Search Capability [106.35604230971396]
  最近のエージェント技術の進歩により、大規模言語モデル(LLM)は、検索、計画、推論のためのツールを自律的に活用することができる。 エージェントの普遍的な検索能力を高めるために,新しい事前学習フレームワークMaskSearchを提案する。 事前学習の段階では、検索ツールを用いてマスク付きスパンを埋めるRetrieval Augmented Mask Prediction (RAMP)タスクを導入する。 その後、モデルは下流のタスクでトレーニングされ、さらなる改善が達成されます。
  論文  参考訳（メタデータ） (2025-05-26T17:58:50Z)
• Towards more Contextual Agents: An extractor-Generator Optimization Framework [0.0]
  LLM(Large Language Model)ベースのエージェントは、幅広い汎用アプリケーションにわたる複雑なタスクの解決に顕著な成功を収めている。 しかしながら、それらのパフォーマンスは、専門産業や研究領域のようなコンテキスト固有のシナリオで劣化することが多い。 この課題に対処するため,本研究では,LLMエージェントの文脈適応性を高めるための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-18T15:07:06Z)
• Collaboration Dynamics and Reliability Challenges of Multi-Agent LLM Systems in Finite Element Analysis [3.437656066916039]
  インターエイジェントダイナミクスが推論の品質と信頼性にどのように影響するかは、まだ不明である。 線形弾性有限要素解析(FEA)のためのAutoGenベースのマルチエージェントフレームワークを用いたこれらのメカニズムについて検討する。 1,120のコントロールされたトライアルから、コラボレーションの有効性は、チームのサイズよりも機能的な相補性に依存することが分かりました。
  論文  参考訳（メタデータ） (2024-08-23T23:11:08Z)
• Re-Thinking Process Mining in the AI-Based Agents Era [39.58317527488534]
  大規模言語モデル(LLM)は強力な対話インタフェースとして登場し、プロセスマイニング(PM)タスクにおけるその応用は有望な結果を示している。 本稿では,LLMにおけるPMの有効性を高めるために,AIベースのエージェント(AgWf)パラダイムを活用することを提案する。 我々はAgWfの様々な実装とAIベースのタスクの種類について検討する。
  論文  参考訳（メタデータ） (2024-08-14T10:14:18Z)

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。