論文の概要: IMR-LLM: Industrial Multi-Robot Task Planning and Program Generation using Large Language Models

• arxiv url: http://arxiv.org/abs/2603.02669v1
• Date: Tue, 03 Mar 2026 06:55:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.849467
• Title: IMR-LLM: Industrial Multi-Robot Task Planning and Program Generation using Large Language Models
• Title（参考訳）: IMR-LLM:大規模言語モデルを用いた産業用マルチロボットタスク計画とプログラム生成
• Authors: Xiangyu Su, Juzhan Xu, Oliver van Kaick, Kai Xu, Ruizhen Hu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.3492719490871
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In modern industrial production, multiple robots often collaborate to complete complex manufacturing tasks. Large language models (LLMs), with their strong reasoning capabilities, have shown potential in coordinating robots for simple household and manipulation tasks. However, in industrial scenarios, stricter sequential constraints and more complex dependencies within tasks present new challenges for LLMs. To address this, we propose IMR-LLM, a novel LLM-driven Industrial Multi-Robot task planning and program generation framework. Specifically, we utilize LLMs to assist in constructing disjunctive graphs and employ deterministic solving methods to obtain a feasible and efficient high-level task plan. Based on this, we use a process tree to guide LLMs to generate executable low-level programs. Additionally, we create IMR-Bench, a challenging benchmark that encompasses multi-robot industrial tasks across three levels of complexity. Experimental results indicate that our method significantly surpasses existing methods across all evaluation metrics.
• Abstract（参考訳）: 現代の工業生産では、複数のロボットが複雑な製造作業を完成させるために協力することが多い。 大きな言語モデル(LLM)は、強力な推論能力を持ち、単純な家庭や操作タスクのためにロボットを協調させる可能性を示している。 しかし、産業シナリオでは、より厳密な順序制約とタスク内のより複雑な依存関係は、LLMに新たな課題をもたらす。 そこで本研究では,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。 具体的には, LLMを用いて解離グラフの構築を支援し, 決定論的解法を用いて, 実現可能かつ効率的な高レベルタスクプランを得る。 これに基づいて、プロセスツリーを使用してLCMをガイドし、実行可能な低レベルプログラムを生成する。 さらに、IMR-Benchという3段階の複雑さにまたがるマルチロボット産業タスクを含む、挑戦的なベンチマークも作成しています。 実験結果から,本手法はすべての評価指標において既存手法をはるかに上回っていることがわかった。

関連論文リスト

• 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)
• COHERENT: Collaboration of Heterogeneous Multi-Robot System with Large Language Models [49.24666980374751]
  COHERENTは、異種マルチロボットシステムの協調のための新しいLCMベースのタスク計画フレームワークである。 提案-実行-フィードバック-調整機構は,個々のロボットに対して動作を分解・割り当てするように設計されている。 実験の結果,我々の研究は,成功率と実行効率の面で,従来の手法をはるかに上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-23T15:53:41Z)
• Robo-Instruct: Simulator-Augmented Instruction Alignment For Finetuning Code LLMs [34.16234805577773]
  プログラム実行中にタスク固有のシミュレーション環境をオンザフライで合成するROBO-INSTRUCTを提案する。 ROBO-INSTRUCT は LLM に支援された後処理の手順を統合し,ロボットプログラムとの整合性を向上する。
  論文  参考訳（メタデータ） (2024-05-30T15:47:54Z)
• TaskBench: Benchmarking Large Language Models for Task Automation [82.2932794189585]
  タスク自動化における大規模言語モデル(LLM)の機能を評価するためのフレームワークであるTaskBenchを紹介する。 具体的には、タスクの分解、ツールの選択、パラメータ予測を評価する。 提案手法は, 自動構築と厳密な人的検証を組み合わせることで, 人的評価との整合性を確保する。
  論文  参考訳（メタデータ） (2023-11-30T18:02:44Z)

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。