論文の概要: SkySim: A ROS2-based Simulation Environment for Natural Language Control of Drone Swarms using Large Language Models

• arxiv url: http://arxiv.org/abs/2602.01226v1
• Date: Sun, 01 Feb 2026 13:34:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.066123
• Title: SkySim: A ROS2-based Simulation Environment for Natural Language Control of Drone Swarms using Large Language Models
• Title（参考訳）: SkySim:大規模言語モデルを用いたドローンスワムの自然言語制御のためのROS2に基づくシミュレーション環境
• Abstract要約: 無人航空機(UAV)は、物流、農業、監視に多用途の用途を提供する。 従来の静的メソッドは適応性を制限するが、Large Language Models (LLMs) は自然言語を制御できるが、安全でないトラジェクトリを生成する。 本稿では,低レベル安全対策からLLM高レベル計画を分離する,ガゼボのROS2ベースのシミュレーションフレームワークであるSkySimを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned Aerial Vehicle (UAV) swarms offer versatile applications in logistics, agriculture, and surveillance, yet controlling them requires expert knowledge for safety and feasibility. Traditional static methods limit adaptability, while Large Language Models (LLMs) enable natural language control but generate unsafe trajectories due to lacking physical grounding. This paper introduces SkySim, a ROS2-based simulation framework in Gazebo that decouples LLM high-level planning from low-level safety enforcement. Using Gemini 3.5 Pro, SkySim translates user commands (e.g., "Form a circle") into spatial waypoints, informed by real-time drone states. An Artificial Potential Field (APF) safety filter applies minimal adjustments for collision avoidance, kinematic limits, and geo-fencing, ensuring feasible execution at 20 Hz. Experiments with swarms of 3, 10, and 30 Crazyflie drones validate spatial reasoning accuracy (100% across tested geometric primitives), real-time collision prevention, and scalability. SkySim empowers non-experts to iteratively refine behaviors, bridging AI cognition with robotic safety for dynamic environments. Future work targets hardware integration.
• Abstract（参考訳）: 無人航空機(UAV)は、物流、農業、監視に多用途の用途を提供するが、その制御には安全と実現可能性に関する専門知識が必要である。 従来の静的メソッドは適応性を制限するが、Large Language Models (LLMs) は自然言語を制御できるが、物理的根拠がないために安全でない軌道を生成する。 本稿では,低レベル安全対策からLLM高レベル計画を分離する,ガゼボのROS2ベースのシミュレーションフレームワークであるSkySimを紹介する。 Gemini 3.5 Proを使って、SkySimはユーザーコマンド(例:「円を形成する」など)を空間的なウェイポイントに変換し、リアルタイムでドローンの状態に通知する。 人工電位場(APF)安全フィルタは、衝突回避、運動制限、ジオフェンシングの最小限の調整を施し、20Hzで実行できるようにする。 3,10,30機のCrazyflieドローンによる実験では、空間推論の精度(テストされた幾何学的プリミティブで100%)、リアルタイム衝突防止、スケーラビリティが検証されている。 SkySimは、非専門家に反復的に振る舞いを洗練させ、動的環境のためのロボットの安全性とAI認知を橋渡しする。 今後の目標はハードウェアの統合だ。

関連論文リスト

• DESCENT: Directed Edge Scene Encoding for Airport Surface Movement Prediction [54.94692733670454]
  DESCENTは変圧器ベースのアーキテクチャで、不均一な力学と厳密なトポロジ的制約を扱うように設計されている。 本手法は,飛行場環境コンテキストを適応的に収集する,潜在的到達性セット(PRS)コンテキストサンプリング機構を備えている。 Amelia-10ベンチマークによる評価では,最先端のベースラインよりも大幅な性能向上が見られた。
  論文  参考訳（メタデータ） (2026-08-26T16:49:50Z)
• Generative AI for Safe and Photorealistic Drone Light Shows [51.71264054256171]
  ドローンのライトショーは、空のエンターテイメントを再定義しているが、その普及は労働集約的な手動アニメーションによって妨げられている。 SWANは、テキストプロンプトから直接、フォトリアリスティック、大規模、衝突のないドローン振付を直接合成するエンドツーエンドパイプラインである。 シミュレーションされた2000基のドローンを安全に編成し,49基のクアッドコプターを密集した実世界の群れ上での物理的実現可能性を検証することにより,スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2026-06-24T06:34:44Z)
• Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
  マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。 既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。 本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
  論文  参考訳（メタデータ） (2026-05-26T21:17:53Z)
• Aero-World: Action-Conditioned Aerial Video Generation from Inertial Controls [57.166020875486474]
  我々は,事前学習した画像から映像への拡散モデルを制御可能な空中ビデオ生成装置に変換する方法であるtextbfAero-World を提案する。 実ビデオ-IMUペアで独立して訓練された冷凍潜伏空間物理学プローブは、LoRA微調整中に慣性・一貫性の異なる監視を提供する。 AeroBenchでは、アクションのみの微調整で平均AASを57.7から63.6に改善し、AirScapeよりも優れた品質制御トレードオフを提供する。
  論文  参考訳（メタデータ） (2026-05-19T12:02:17Z)
• Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
  本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。 提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。 我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
  論文  参考訳（メタデータ） (2026-05-05T04:49:38Z)
• MARS-Dragonfly: Agile and Robust Flight Control of Modular Aerial Robot Systems [21.471271822760276]
  モジュラー・エアリアル・ロボット・システム(MARS)は、再構成可能な連結構造を持つ複数のドローンユニットから構成される。 MARSは単純な準静的モデルと規則に基づくアロケーションに依存しており、不連続かつ非有界なモーターコマンドを生成する。 我々は、受動ドッキング、検出不要な受動ロック、磁気アシスト分離が可能な小型機械システムを開発した。
  論文  参考訳（メタデータ） (2026-04-07T06:43:08Z)
• SafeLand: Safe Autonomous Landing in Unknown Environments with Bayesian Semantic Mapping [41.90149506430796]
  安全な自律着陸(SAL)のための視覚ベースシステムであるSafeLandを紹介する。 提案手法は,ディープラーニングに基づくセマンティックセマンティックセグメンテーションによるオンラインセマンティックグラウンドマップを構築し,組み込みデプロイメントに最適化する。 本手法を高度100mまでの産業・都市・農村環境における200のシミュレーションと60のエンドツーエンドフィールドテストで広範囲に評価した。
  論文  参考訳（メタデータ） (2026-03-18T07:11:54Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• AGENTSAFE: Benchmarking the Safety of Embodied Agents on Hazardous Instructions [64.85086226439954]
  本稿では,有害な指示に対するVLMエージェントの安全性を評価するためのベンチマークであるSAFEを提案する。 SAFEは、SAFE−THOR、SAFE−VERSE、SAFE−DIAGNOSEの3つの成分からなる。 我々は、ハザード認識を安全な計画と実行に翻訳する体系的な失敗を明らかにする。
  論文  参考訳（メタデータ） (2025-06-17T16:37:35Z)
• Low-altitude UAV Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.23178920029957]
  本稿では,低高度無人航空機(UAV)による衛星海上通信システムを提案する。 安全衛星・海上通信多目的最適化問題(SSMCMOP)を定式化する。 動的かつ長期の最適化問題を解くため、マルコフ決定過程に再構成する。 次に,トランスサック (TransSAC) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-26T10:13:51Z)
• ASMA: An Adaptive Safety Margin Algorithm for Vision-Language Drone Navigation via Scene-Aware Control Barrier Functions [9.645098673995317]
  VLNを運用するドローンプラットフォームについて検討し、新しいシーン認識CBFを定式化することによって安全性を向上させる。 CBFのないベースラインシステムは、コマンドを順序づけられたランドマークのシーケンスに変換するために、モーダルな注意を持つビジョンランゲージを使用する。 ASMAは移動物体を追跡し、シーン認識CBF評価をオンザフライで実行し、追加の制約として機能する。
  論文  参考訳（メタデータ） (2024-09-16T13:44:50Z)
• ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
  機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。 この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。 提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
  論文  参考訳（メタデータ） (2024-09-12T08:26:33Z)
• You Only Crash Once: Improved Object Detection for Real-Time, Sim-to-Real Hazardous Terrain Detection and Classification for Autonomous Planetary Landings [7.201292864036088]
  危険地を検出するための安価で効果的な方法は、視覚カメラを使用することである。 視覚的危険地形検出の伝統的な技術は、テンプレートマッチングと事前構築されたハザードマップへの登録に焦点を当てている。 深層学習に基づく視覚的危険地形検出と分類技術であるYou Only Crash Once (YOCO)を紹介した。
  論文  参考訳（メタデータ） (2023-03-08T21:11:51Z)
• Safe Reinforcement Learning Using Black-Box Reachability Analysis [20.875010584486812]
  強化学習(Reinforcement Learning, RL)は、不確実な環境下でのロボットの動き計画と制御を高度に行うことができる。 広範な展開を正当化するためには、ロボットは性能を犠牲にすることなく安全上の制約を尊重しなければならない。 我々は3つの主要コンポーネントを持つブラックボックス到達可能性に基づく安全層(BRSL)を提案する。
  論文  参考訳（メタデータ） (2022-04-15T10:51:09Z)

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。