論文の概要: MeCo: Enhancing LLM-Empowered Multi-Robot Collaboration via Similar Task Memoization

• arxiv url: http://arxiv.org/abs/2601.20577v2
• Date: Fri, 13 Feb 2026 09:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.980205
• Title: MeCo: Enhancing LLM-Empowered Multi-Robot Collaboration via Similar Task Memoization
• Title（参考訳）: MeCo: 類似タスクのメモ化によるLLMを利用したマルチロボットコラボレーションの強化
• Authors: Baiqing Wang, Helei Cui, Bo Zhang, Xiaolong Zheng, Bin Guo, Zhiwen Yu,
• Abstract要約: マルチロボットシステムは現実世界のアプリケーションに広くデプロイされており、効率と労働コストの削減に大きな改善をもたらしている。 既存のマルチロボットコラボレーション手法の多くは、タスク固有の広範囲なトレーニングに依存しており、新しいシナリオや多様なシナリオへの適応性を制限している。 MeCoは、キャッシュ計算と再利用の原則を応用した類似性を意識したマルチロボット協調フレームワークである。
• 参考スコア（独自算出の注目度）: 12.547559102982914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-robot systems have been widely deployed in real-world applications, providing significant improvements in efficiency and reductions in labor costs. However, most existing multi-robot collaboration methods rely on extensive task-specific training, which limits their adaptability to new or diverse scenarios. Recent research leverages the language understanding and reasoning capabilities of large language models (LLMs) to enable more flexible collaboration without specialized training. Yet, current LLM-empowered approaches remain inefficient: when confronted with identical or similar tasks, they must replan from scratch because they omit task-level similarities. To address this limitation, we propose MeCo, a similarity-aware multi-robot collaboration framework that applies the principle of ``cache and reuse'' (a.k.a., memoization) to reduce redundant computation. Unlike simple task repetition, identifying and reusing solutions for similar but not identical tasks is far more challenging, particularly in multi-robot settings. To this end, MeCo introduces a new similarity testing method that retrieves previously solved tasks with high relevance, enabling effective plan reuse without re-invoking LLMs. Furthermore, we present MeCoBench, the first benchmark designed to evaluate performance on similar-task collaboration scenarios. Experimental results show that MeCo substantially reduces planning costs and improves success rates compared with state-of-the-art approaches.
• Abstract（参考訳）: マルチロボットシステムは現実世界のアプリケーションに広くデプロイされており、効率と労働コストの削減に大きな改善をもたらしている。 しかし、既存のマルチロボットコラボレーション手法の多くは、タスク固有の広範囲なトレーニングに依存しており、新しいシナリオや多様なシナリオへの適応性を制限している。 最近の研究は、大規模言語モデル(LLM)の言語理解と推論機能を活用して、専門訓練なしでより柔軟な協調を可能にする。 同一あるいは類似のタスクに直面した場合、タスクレベルの類似性を省略するため、スクラッチから再計画する必要がある。 この制限に対処するため,我々は'cache and reuse''(メモ化)の原則を適用して冗長計算を減らす,類似性を意識したマルチロボット協調フレームワークであるMeCoを提案する。 単純なタスクの繰り返しとは異なり、特にマルチロボットの設定では、類似しているが同一ではないタスクに対するソリューションの識別と再利用がはるかに難しい。 この目的のためにMeCoは,従来解決されていたタスクを高い関連性で検索し,LCMを再起動することなく効率的な計画再利用を可能にする,新しい類似性テスト手法を導入した。 さらに、類似タスクの協調シナリオのパフォーマンスを評価するために設計された最初のベンチマークであるMeCoBenchを紹介する。 実験の結果,MeCoは最先端のアプローチに比べて計画コストを大幅に削減し,成功率を向上させることがわかった。

関連論文リスト

• Phase-Adaptive LLM Framework with Multi-Stage Validation for Construction Robot Task Allocation: A Systematic Benchmark Against Traditional Optimization Algorithms [0.0]
  本稿では,LangGraphベースのタスク割り当てエージェント(LTAA)を紹介する。 LTAAは、位相適応型アロケーション戦略、階層型リトライによる多段階検証、効率的なロボット協調のための動的プロンプトを統合している。 LTAAはトークンの使用量を94.6%削減し、割り当て時間を86%短縮する。
  論文  参考訳（メタデータ） (2025-12-02T14:23:36Z)
• ELHPlan: Efficient Long-Horizon Task Planning for Multi-Agent Collaboration [25.45699736192177]
  大規模言語モデル(LLM)は、インテリジェントなマルチロボットコラボレーションを可能にするが、基本的なトレードオフに直面している。 本稿では,アクションチェーンを導入した新たなフレームワークであるELHPlanを提案する。
  論文  参考訳（メタデータ） (2025-09-29T03:15:56Z)
• Application of LLM Guided Reinforcement Learning in Formation Control with Collision Avoidance [1.1718316049475228]
  マルチエージェントシステム(Multi-Agent Systems、MAS)は、個々のエージェントの協調作業を通じて複雑な目的を達成する。 本稿では,効果的な報酬関数を設計する上での課題を克服する新しい枠組みを提案する。 タスクの優先順位付けにおいて,大規模言語モデル(LLM)を付与することにより,オンライン上で動的に調整可能な報酬関数を生成する。
  論文  参考訳（メタデータ） (2025-07-22T09:26:00Z)
• Efficient Task Grouping Through Samplewise Optimisation Landscape Analysis [23.177220600984665]
  本稿では,既存の手法の圧倒的な計算要求を削減するための効率的なタスクグループ化フレームワークを提案する。 グラフベースのクラスタリングアルゴリズムを用いて、最適タスク群をピンポイントする。 8つの異なるデータセットで実施された実証的な評価は、提案フレームワークの有効性を強調している。
  論文  参考訳（メタデータ） (2024-12-05T18:33:59Z)
• MaCTG: Multi-Agent Collaborative Thought Graph for Automatic Programming [10.461509044478278]
  MaCTG (MultiAgent Collaborative Thought Graph) は動的グラフ構造を用いる新しいマルチエージェントフレームワークである。 プログラム要求に基づいてエージェントロールを自律的に割り当て、タスクの分散を動的に洗練し、プロジェクトレベルのコードを体系的に検証し統合する。 MaCTGは既存のマルチエージェントフレームワークと比較して運用コストを89.09%削減した。
  論文  参考訳（メタデータ） (2024-10-25T01:52:15Z)
• Towards Efficient LLM Grounding for Embodied Multi-Agent Collaboration [68.29746557968107]
  本稿では,多エージェント協調のための新しいフレームワークを提案する。これは,効率的な自己調整のための強化アドバンテージフィードバック(Reinforced Advantage feedback, ReAd)を導入する。 Over-AIと難解なRoCoBenchの実験は、ReAdが成功率のベースラインを超え、エージェントの相互作用ステップを著しく減少させることを示している。
  論文  参考訳（メタデータ） (2024-05-23T08:33:19Z)
• Corex: Pushing the Boundaries of Complex Reasoning through Multi-Model Collaboration [83.4031923134958]
  Corexは,大規模言語モデルを自律エージェントに変換する,新たな汎用戦略スイートだ。 人間の振る舞いにインスパイアされたCorexは、Debate、Review、Retrieveモードといった多様なコラボレーションパラダイムによって構成されている。 我々は,複数のLDMを協調的に演奏することで,既存の手法に比べて性能が著しく向上することが実証された。
  論文  参考訳（メタデータ） (2023-09-30T07:11:39Z)
• Softmax with Regularization: Better Value Estimation in Multi-Agent Reinforcement Learning [72.28520951105207]
  q$-learningの過大評価は、シングルエージェント強化学習で広く研究されている重要な問題である。 ベースラインから逸脱する大きな関節動作値をペナライズする,新たな正規化ベースの更新方式を提案する。 本手法は,StarCraft IIマイクロマネジメントの課題に対して,一貫した性能向上を実現する。
  論文  参考訳（メタデータ） (2021-03-22T14:18:39Z)

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。