論文の概要: Decentralized Intent-Based Multi-Robot Task Planner with LLM Oracles on Hyperledger Fabric

• arxiv url: http://arxiv.org/abs/2602.08421v1
• Date: Mon, 09 Feb 2026 09:26:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.743357
• Title: Decentralized Intent-Based Multi-Robot Task Planner with LLM Oracles on Hyperledger Fabric
• Title（参考訳）: LLM OracleによるHyperledger Fabric上の分散Intentベースのマルチロボットタスクプランナ
• Authors: Farhad Keramat, Salma Salimi, Tomi Westerlund,
• Abstract要約: 大規模言語モデル(LLM)は、自然言語のユーザ意図を実行可能なアクションに変換する新たな機会を開いた。 ロボット作業計画のための新しい集約手法を用いたLLMオラクルを提案する。 提案するインフラストラクチャにより,自然言語の意図をシステムに表現し,サブタスクに分解することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have opened new opportunities for transforming natural language user intents into executable actions. This capability enables embodied AI agents to perform complex tasks, without involvement of an expert, making human-robot interaction (HRI) more convenient. However these developments raise significant security and privacy challenges such as self-preferencing, where a single LLM service provider dominates the market and uses this power to promote their own preferences. LLM oracles have been recently proposed as a mechanism to decentralize LLMs by executing multiple LLMs from different vendors and aggregating their outputs to obtain a more reliable and trustworthy final result. However, the accuracy of these approaches highly depends on the aggregation method. The current aggregation methods mostly use semantic similarity between various LLM outputs, not suitable for robotic task planning, where the temporal order of tasks is important. To fill the gap, we propose an LLM oracle with a new aggregation method for robotic task planning. In addition, we propose a decentralized multi-robot infrastructure based on Hyperledger Fabric that can host the proposed oracle. The proposed infrastructure enables users to express their natural language intent to the system, which then can be decomposed into subtasks. These subtasks require coordinating different robots from different vendors, while enforcing fine-grained access control management on the data. To evaluate our methodology, we created the SkillChain-RTD benchmark made it publicly available. Our experimental results demonstrate the feasibility of the proposed architecture, and the proposed aggregation method outperforms other aggregation methods currently in use.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、自然言語のユーザ意図を実行可能なアクションに変換する新たな機会を開いた。 この機能は、人間とロボットのインタラクション(HRI)をより便利にするため、専門家の関与なしに、具体化されたAIエージェントが複雑なタスクを実行できる。 しかしながら、これらの開発は、単一LLMサービスプロバイダが市場を支配し、このパワーを使って自身の好みを宣伝するセルフ会議のような、重大なセキュリティとプライバシの課題を提起する。 LLMオーラクルは、複数のベンダーから複数のLSMを実行し、それらのアウトプットを集約することで、より信頼性が高く信頼性の高い最終結果を得るメカニズムとして最近提案されている。 しかし,これらの手法の精度は集約法に大きく依存する。 現在のアグリゲーション手法は, タスクの時間的順序が重要であるロボット作業計画には適さない, 様々なLCM出力間の意味的類似性を主に用いている。 このギャップを埋めるために,ロボット作業計画のための新しい集約手法を用いたLLMオラクルを提案する。 さらに、提案したオラクルをホストできるHyperledger Fabricに基づく分散マルチロボットインフラストラクチャを提案する。 提案するインフラストラクチャにより,自然言語の意図をシステムに表現し,サブタスクに分解することができる。 これらのサブタスクは、異なるベンダーから異なるロボットを調整し、データに対するきめ細かいアクセス制御を強制する。 提案手法を評価するため,SkillChain-RTDベンチマークを作成した。 本研究では,提案手法の有効性を実証し,提案手法が現在使用されている他のアグリゲーション手法よりも優れていることを示す。

関連論文リスト

• IMR-LLM: Industrial Multi-Robot Task Planning and Program Generation using Large Language Models [20.3492719490871]
  大規模言語モデル(LLM)は、単純な家庭や操作作業のためのロボットを協調させる可能性を示している。 我々は,新しいLLM駆動型産業用マルチロボットタスク計画とプログラム生成フレームワークであるIMR-LLMを提案する。
  論文  参考訳（メタデータ） (2026-03-03T06:55:27Z)
• 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)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• 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)
• Sub-goal Distillation: A Method to Improve Small Language Agents [21.815417165548187]
  大規模言語モデル(LLM)は対話型タスクにおけるエージェントとして大きな可能性を証明している。 数十億のパラメータを持つLLMの性能を、はるかに小さな言語モデルに転送する手法を提案する。 困難かつマルチタスクな対話型テキスト環境であるScienceWorldでは,基本動作のみに基づく標準的な模倣学習を16.7%超えている。
  論文  参考訳（メタデータ） (2024-05-04T20:34:06Z)
• Small LLMs Are Weak Tool Learners: A Multi-LLM Agent [73.54562551341454]
  大規模言語モデル(LLM)エージェントはスタンドアロンのLLMの機能を大幅に拡張する。 本稿では、上記の機能をプランナー、呼び出し元、要約器に分解する新しい手法を提案する。 このモジュール化されたフレームワークは、個々の更新と、それぞれの機能を構築するための小さなLLMの潜在的な使用を容易にする。
  論文  参考訳（メタデータ） (2024-01-14T16:17:07Z)
• Enhancing Open-Domain Task-Solving Capability of LLMs via Autonomous Tool Integration from GitHub [79.31134731122462]
  オープンドメインのタスク解決能力を評価するためにOpenActベンチマークを導入します。 我々は,オープンドメインの進化するクエリに,GitHubから専門ツールを自律的に統合することで対処できる,新しいLLMベースのエージェントシステムであるOpenAgentを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T15:47:30Z)
• LgTS: Dynamic Task Sampling using LLM-generated sub-goals for Reinforcement Learning Agents [10.936460061405157]
  LgTS (LLM-Guided Teacher-Student Learning) を提案する。 提案手法では,提案したサブゴールを達成するための事前訓練されたポリシーも必要としない。
  論文  参考訳（メタデータ） (2023-10-14T00:07:03Z)
• Enabling Intelligent Interactions between an Agent and an LLM: A Reinforcement Learning Approach [31.6589518077397]
  大規模言語モデル(LLM)は、大量のテキストデータセットから得られた膨大な量の世界の知識を符号化する。 LLMは、高レベルな命令を提供することで、複雑なシーケンシャルな意思決定タスクを解決するための実施エージェントを支援することができる。 本研究では,高レベルの命令に対してLLMを問合せする必要がある場合に学習する強化学習ベースのアプローチである When2Ask を提案する。
  論文  参考訳（メタデータ） (2023-06-06T11:49:09Z)

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。