論文の概要: RoboSolver: A Multi-Agent Large Language Model Framework for Solving Robotic Arm Problems
- arxiv url: http://arxiv.org/abs/2602.14438v1
- Date: Mon, 16 Feb 2026 03:49:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.482946
- Title: RoboSolver: A Multi-Agent Large Language Model Framework for Solving Robotic Arm Problems
- Title（参考訳）: RoboSolver: ロボットアーム問題を解決するための多言語大規模言語モデルフレームワーク
- Authors: Hamid Khabazi, Ali F. Meghdari, Alireza Taheri,
- Abstract要約: 本研究では,ロボット工学に特化されたLLMとVLMをベースとした,インテリジェントなマルチエージェントフレームワークを提案する。
開発したフレームワークはテキスト入力と視覚入力の両方を受け入れる。
前方および逆運動学を自動的に実行し、キーポイントの速度と加速度を計算し、ロボットの3Dシミュレーションを生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study proposes an intelligent multi-agent framework built on LLMs and VLMs and specifically tailored to robotics. The goal is to integrate the strengths of LLMs and VLMs with computational tools to automatically analyze and solve problems related to robotic manipulators. Our developed framework accepts both textual and visual inputs and can automatically perform forward and inverse kinematics, compute velocities and accelerations of key points, generate 3D simulations of the robot, and ultimately execute motion control within the simulated environment, all according to the user's query. To evaluate the framework, three benchmark tests were designed, each consisting of ten questions. In the first benchmark test, the framework was evaluated while connected to GPT-4o, DeepSeek-V3.2, and Claude-Sonnet-4.5, as well as their corresponding raw models. The objective was to extract the forward kinematics of robots directly from textual descriptions. The results showed that the framework integrated with GPT-4o achieved the highest accuracy, reaching 0.97 in computing the final solution, whereas the raw model alone attained an accuracy of only 0.30 for the same task. Similarly, for the other two models, the framework consistently outperformed the corresponding raw models in terms of accuracy. The second benchmark test was identical to the first, except that the input was provided in visual form. In this test, the GPT-4o LLM was used alongside the Gemini 2.5 Pro VLM. The results showed that the framework achieved an accuracy of 0.93 in obtaining the final answer, which is approximately 20% higher than that of the corresponding raw model. The third benchmark test encompassed a range of robotic tasks, including simulation, control, velocity and acceleration computation, as well as inverse kinematics and Jacobian calculation, for which the framework achieved an accuracy of 0.97.
- Abstract（参考訳）: 本研究では, LLM と VLM をベースとした知的マルチエージェントフレームワークを提案する。
目標は、LLMとVLMの強みを計算ツールに統合し、ロボットマニピュレータに関連する問題を自動解析し解決することである。
開発したフレームワークは,テキスト入力と視覚入力の両方を受け入れ,前方および逆運動学を自動実行し,キーポイントの速度と加速度を計算し,ロボットの3次元シミュレーションを生成し,最終的にはユーザの問い合わせに応じてシミュレーション環境内で動作制御を行う。
フレームワークを評価するために、3つのベンチマークテストが設計され、それぞれ10の質問で構成された。
最初のベンチマークテストでは、フレームワークはGPT-4o、DeepSeek-V3.2、Claude-Sonnet-4.5、および対応する生モデルに接続しながら評価された。
本研究の目的は,テキスト記述から直接ロボットの前方運動学を抽出することであった。
その結果、GPT-4oと統合されたフレームワークは、最終解の計算で0.97に達したのに対し、生モデルだけでは0.30の精度しか得られなかった。
同様に、他の2つのモデルでは、フレームワークは精度の点で、対応する生モデルよりも一貫して優れていた。
第2のベンチマークテストは第1のベンチマークと同一であったが、入力は視覚的に提供された。
この試験では、GPT-4o LLMがジェミニ2.5 Pro VLMと共に使用された。
その結果, 最終回答の精度は0.93であり, 対応する原モデルよりも約20%高いことがわかった。
第3のベンチマークテストでは、シミュレーション、制御、速度、加速計算、逆キネマティクスやヤコビアン計算を含む様々なロボットタスクが含まれており、このフレームワークは精度0.97に達した。
関連論文リスト
- DiT4DiT: Jointly Modeling Video Dynamics and Actions for Generalizable Robot Control [16.562259973551786]
本稿では,ビデオ拡散変換器とアクション拡散変換器を結合したエンドツーエンドのビデオ・アクション・モデルであるDiT4DiTを紹介する。
DiT4DiTは、再構成後のフレームに頼る代わりに、ビデオ生成プロセスから中間的なデノイング機能を抽出する。
これは最先端の結果を達成し、LIBEROでは98.6%、RoboCasa GR1では50.8%という平均的な成功率に達した。
論文 参考訳（メタデータ） (2026-03-11T06:03:53Z) - HoloBrain-0 Technical Report [24.68330043768013]
HoloBrain-0はVLA(Vision-Language-Action)フレームワークである。
本システムの中核となるVLAアーキテクチャは,マルチビューカメラパラメータやキネマティックな記述を含む,ロボットのエンボディメントを明示的に組み込んだ新しいアーキテクチャである。
1) 強力な事前トレーニングされたVLA基盤、(2) 複数のシミュレーションスイートと実世界のタスクのためのトレーニング後のチェックポイント、(3) データキュレーション、モデルトレーニング、デプロイメントのためのフルスタックのVLAインフラストラクチャであるRoboOrchardを含む、HoloBrainエコシステム全体をオープンソースにしています。
論文 参考訳（メタデータ） (2026-02-12T15:21:04Z) - Explainable Deep Learning for Brain Tumor Classification: Comprehensive Benchmarking with Dual Interpretability and Lightweight Deployment [4.259927630334864]
この研究は、MRI画像から脳腫瘍を自動分類するための完全なディープラーニングシステムを提供する。
Inception-ResNet V2は最先端のパフォーマンスに達し、99.53%の精度を達成した。
このエンドツーエンドソリューションは、信頼できるAIの正確性、解釈可能性、デプロイ性を考慮している。
論文 参考訳（メタデータ） (2025-11-20T17:21:40Z) - URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。
URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。
シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2025-11-02T13:45:51Z) - RoboTwin 2.0: A Scalable Data Generator and Benchmark with Strong Domain Randomization for Robust Bimanual Robotic Manipulation [52.2244588424002]
我々は,多様かつ現実的なデータの自動生成のためのスケーラブルなフレームワークであるRoboTwin 2.0を紹介する。
コアとなるRoboTwin-ODは、セマンティックおよび操作関連アノテーションを備えた147カテゴリにわたる771インスタンスのオブジェクトライブラリである。
sim-to-real転送を改善するために、RoboTwin 2.0は5つの軸に沿って構造化された領域ランダム化を適用する。
論文 参考訳（メタデータ） (2025-06-22T16:26:53Z) - RoboRefer: Towards Spatial Referring with Reasoning in Vision-Language Models for Robotics [67.11221574129937]
空間参照は、3D物理世界と相互作用するエンボディロボットの基本的な能力である。
本稿では,まず空間的理解を正確に行うことのできる3次元VLMであるRoboReferを提案する。
RoboReferは、強化微調整による一般化された多段階空間推論を推進している。
論文 参考訳（メタデータ） (2025-06-04T17:59:27Z) - Rethinking Bimanual Robotic Manipulation: Learning with Decoupled Interaction Framework [51.39847596489193]
バイオマチックなロボット操作は、ロボティクスコミュニティにおいて、新しくて重要なトピックである。
本稿では,バイマニュアル操作における異なるタスクの特徴を考察した,疎結合なインタラクションフレームワークを提案する。
我々のフレームワークは,SOTA法よりも23.5%向上し,優れた性能を実現している。
論文 参考訳（メタデータ） (2025-03-12T09:28:41Z) - AIvaluateXR: An Evaluation Framework for on-Device AI in XR with Benchmarking Results [55.33807002543901]
我々は,XRデバイス上で動作する大規模言語モデル(LLM)をベンチマークするための総合評価フレームワークであるAIvaluateXRを提案する。
我々はMagic Leap 2、Meta Quest 3、Vivo X100s Pro、Apple Vision Proという4つのXRプラットフォームに17個の選択されたLSMをデプロイし、広範囲な評価を行います。
本稿では,3次元最適性理論に基づく統一評価手法を提案する。
論文 参考訳（メタデータ） (2025-02-13T20:55:48Z)
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。