論文の概要: KGLAMP: Knowledge Graph-guided Language model for Adaptive Multi-robot Planning and Replanning

• arxiv url: http://arxiv.org/abs/2602.04129v1
• Date: Wed, 04 Feb 2026 01:46:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.336449
• Title: KGLAMP: Knowledge Graph-guided Language model for Adaptive Multi-robot Planning and Replanning
• Title（参考訳）: KGLAMP: 適応型マルチロボット計画と再計画のための知識グラフ誘導言語モデル
• Authors: Chak Lam Shek, Faizan M. Tariq, Sangjae Bae, David Isele, Piyush Gupta,
• Abstract要約: ヘテロジニアスなマルチロボットチームのための知識グラフ誘導LLM計画フレームワークであるKGLAMPを紹介する。 このフレームワークは、オブジェクト関係、空間到達性、ロボット能力をコードする構造化知識グラフを維持している。 MAT-THOR ベンチマークの実験では、KGLAMP は LLM のみと PDDL ベースの両方で少なくとも 25.5% 向上している。
• 参考スコア（独自算出の注目度）: 5.713977302944038
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Heterogeneous multi-robot systems are increasingly deployed in long-horizon missions that require coordination among robots with diverse capabilities. However, existing planning approaches struggle to construct accurate symbolic representations and maintain plan consistency in dynamic environments. Classical PDDL planners require manually crafted symbolic models, while LLM-based planners often ignore agent heterogeneity and environmental uncertainty. We introduce KGLAMP, a knowledge-graph-guided LLM planning framework for heterogeneous multi-robot teams. The framework maintains a structured knowledge graph encoding object relations, spatial reachability, and robot capabilities, which guides the LLM in generating accurate PDDL problem specifications. The knowledge graph serves as a persistent, dynamically updated memory that incorporates new observations and triggers replanning upon detecting inconsistencies, enabling symbolic plans to adapt to evolving world states. Experiments on the MAT-THOR benchmark show that KGLAMP improves performance by at least 25.5% over both LLM-only and PDDL-based variants.
• Abstract（参考訳）: 不均一なマルチロボットシステムは、多様な能力を持つロボット同士の協調を必要とする長期のミッションにますます配備されている。 しかし、既存の計画手法は、正確な記号表現を構築し、動的環境における計画の整合性を維持するのに苦労している。 古典的なPDDLプランナーは手作業による記号モデルを必要とするが、LSMベースのプランナーはエージェントの不均一性と環境の不確実性を無視することが多い。 ヘテロジニアスなマルチロボットチームのための知識グラフ誘導LLM計画フレームワークであるKGLAMPを紹介する。 このフレームワークは、オブジェクト関係、空間到達性、ロボット能力をコードする構造化知識グラフを保持しており、正確なPDDL問題仕様を生成するのにLLMを導く。 ナレッジグラフは永続的で動的に更新されたメモリとして機能し、新しい観測を取り入れ、不整合の検出時にリプランングをトリガーする。 MAT-THOR ベンチマークの実験では、KGLAMP は LLM のみと PDDL ベースの両方で少なくとも 25.5% 向上している。

関連論文リスト

• H-AIM: Orchestrating LLMs, PDDL, and Behavior Trees for Hierarchical Multi-Robot Planning [3.2800662172795114]
  H-AIMは、新しいマルチロボットタスク計画フレームワークである。 命令を解析し、計画ドメイン定義言語(PDDL)問題記述を生成するために、大きな言語モデル(LLM)を利用する。 結果のプランを、リアクティブコントロールのための行動ツリーにコンパイルする。
  論文  参考訳（メタデータ） (2026-01-16T07:59:50Z)
• Hierarchical Language Models for Semantic Navigation and Manipulation in an Aerial-Ground Robotic System [8.88014241557266]
  不均一なマルチロボットシステムは、協調的なハイブリッド協調を必要とする複雑なタスクにおいて大きな可能性を示す。 静的またはタスク固有のモデルに依存する既存のメソッドは、様々なタスクや動的環境にまたがる一般化性に欠けることが多い。 本稿では,大規模言語モデル (LLM) と微調整型視覚言語モデル (VLM) を統合した階層型マルチモーダルフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-05T13:27:41Z)
• Latent Diffusion Planning for Imitation Learning [78.56207566743154]
  Latent Diffusion Planning (LDP) は、プランナーと逆ダイナミクスモデルからなるモジュラーアプローチである。 行動予測からプランニングを分離することにより、LDPは最適なデータと行動自由データのより密集した監視信号の恩恵を受けることができる。 シミュレーションされた視覚ロボット操作タスクにおいて、LDPは最先端の模倣学習アプローチより優れている。
  論文  参考訳（メタデータ） (2025-04-23T17:53:34Z)
• A Temporal Planning Framework for Multi-Agent Systems via LLM-Aided Knowledge Base Management [5.548477348501636]
  本稿では,大規模言語モデル(LLM)とPrologベースの知識管理とマルチロボットタスクの計画を統合したPLANTORという新しいフレームワークを提案する。 その結果,LLMは人間からのフィードバックの少ない正確な知識ベースを生成でき,Prologは形式的正当性と説明可能性を保証することがわかった。 このアプローチは、柔軟でスケーラブルで人間に理解可能な計画を必要とする高度なロボティクスタスクのためのLLM統合の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-26T13:51:28Z)
• MALMM: Multi-Agent Large Language Models for Zero-Shot Robotics Manipulation [62.854649499866774]
  大規模言語モデル(LLM)は、ロボティクスの操作やナビゲーションなど、さまざまな領域にまたがる優れた計画能力を示している。 特殊なLLMエージェント間で高レベル計画および低レベル制御コード生成を分散する新しいマルチエージェントLLMフレームワークを提案する。 長軸タスクを含む9つのRLBenchタスクに対するアプローチを評価し、ゼロショット環境でロボット操作を解く能力を実証した。
  論文  参考訳（メタデータ） (2024-11-26T17:53:44Z)
• Interactive and Expressive Code-Augmented Planning with Large Language Models [62.799579304821826]
  大きな言語モデル(LLM)は、常識的推論と対話的な意思決定において強力な能力を示す。 近年,制御フローなどのコード・アジャセント技術を用いてLCM出力を構造化し,計画性能を向上させる技術が提案されている。 完全コード表現で動的なLEM計画手法であるREPL-Planを提案する。
  論文  参考訳（メタデータ） (2024-11-21T04:23:17Z)
• From Words to Actions: Unveiling the Theoretical Underpinnings of LLM-Driven Autonomous Systems [59.40480894948944]
  大規模言語モデル (LLM) は、物理世界の意思決定問題を解くことができる。 このモデルの下で、LLM Plannerは、プロンプトを介して言語ベースのサブゴールを反復的に生成することにより、部分的に観測可能なマルコフ決定プロセス(POMDP)をナビゲートする。 我々は,事前学習したLLMプランナーが,文脈内学習を通じてベイズ的集計模倣学習(BAIL)を効果的に行うことを証明した。
  論文  参考訳（メタデータ） (2024-05-30T09:42:54Z)

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。