論文の概要: Python Bindings for a Large C++ Robotics Library: The Case of OMPL

• arxiv url: http://arxiv.org/abs/2603.04668v1
• Date: Wed, 04 Mar 2026 23:18:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.91829
• Title: Python Bindings for a Large C++ Robotics Library: The Case of OMPL
• Title（参考訳）: 大規模C++ロボティクスライブラリのためのPythonバインディング: OMPLの事例
• Authors: Weihang Guo, Theodoros Tyrovouzis, Lydia E. Kavraki,
• Abstract要約: Pythonバインディングは、高性能なC++ライブラリとPythonの柔軟性の間の重要な橋渡しである。 大きなものへのバインディングを生成するのは 面倒なプロセスです 少数のメンテナに 重荷を負わせます 本研究では,Large Language Models (LLMs) を用いてナノボンドラッパーの生成を支援する。
• 参考スコア（独自算出の注目度）: 12.900006436558405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Python bindings are a critical bridge between high-performance C++ libraries and the flexibility of Python, enabling rapid prototyping, reproducible experiments, and integration with simulation and learning frameworks in robotics research. Yet, generating bindings for large codebases is a tedious process that creates a heavy burden for a small group of maintainers. In this work, we investigate the use of Large Language Models (LLMs) to assist in generating nanobind wrappers, with human experts kept in the loop. Our workflow mirrors the structure of the C++ codebase, scaffolds empty wrapper files, and employs LLMs to fill in binding definitions. Experts then review and refine the generated code to ensure correctness, compatibility, and performance. Through a case study on a large C++ motion planning library, we document common failure modes, including mismanaging shared pointers, overloads, and trampolines, and show how in-context examples and careful prompt design improve reliability. Experiments demonstrate that the resulting bindings achieve runtime performance comparable to legacy solutions. Beyond this case study, our results provide general lessons for applying LLMs to binding generation in large-scale C++ projects.
• Abstract（参考訳）: Pythonバインディングは、高性能C++ライブラリとPythonの柔軟性の間に重要な橋渡しであり、迅速なプロトタイピング、再現可能な実験、ロボット研究におけるシミュレーションと学習フレームワークとの統合を可能にする。 しかし、大規模なコードベースのバインディングを生成するのは面倒なプロセスであり、少数のメンテナにとっては重い負担になります。 本研究では,Large Language Models (LLMs) を用いてナノボンドラッパーの創出を支援する。 私たちのワークフローは、C++コードベースの構造を反映し、空のラッパーファイルをスキャフォールド化し、バインディング定義を埋めるためにLLMを使用します。 専門家は、生成したコードをレビューし、精査し、正確性、互換性、パフォーマンスを保証する。 大規模なC++モーションプランニングライブラリのケーススタディを通じて、共有ポインタ、オーバーロード、トランポリンの誤管理など、一般的な障害モードを文書化し、コンテキスト内の例と慎重に設計することで、信頼性が向上することを示す。 実験では、結果として生じるバインディングが、レガシーソリューションに匹敵するランタイムパフォーマンスを達成することを示した。 このケーススタディ以外にも,大規模C++プロジェクトのバインディング生成にLLMを適用するための一般的な教訓を提供する。

関連論文リスト

• GPT-4.1 Sets the Standard in Automated Experiment Design Using Novel Python Libraries [0.649540541957527]
  大規模言語モデル(LLM)は、科学研究におけるコード生成を自動化するツールとして急速に進歩してきた。 本研究では,関数型Pythonコードを生成する上で,最先端のLLMの選択を体系的にベンチマークする。 結果は、モデルの小さなサブセットだけが一貫して正しい実行可能なコードを生成することを示している。
  論文  参考訳（メタデータ） (2025-07-30T13:11:29Z)
• SwingArena: Competitive Programming Arena for Long-context GitHub Issue Solving [90.32201622392137]
  We present SwingArena, a competitive evaluation framework for Large Language Models (LLMs)。 従来の静的ベンチマークとは異なり、SwingArenaはLLMをイテレーションとして組み合わせて、テストケースを作成し、継続的インテグレーション(CI)パイプラインを通じてパッチを検証するパッチとレビュアーを生成することで、ソフトウェアのコラボレーションプロセスをモデル化する。
  論文  参考訳（メタデータ） (2025-05-29T18:28:02Z)
• Effective LLM-Driven Code Generation with Pythoness [0.0]
  Pythonessは、大きな言語モデル(LLM)を使用したコード生成のための組み込みドメイン固有言語である。 Pythonessでは、関数やクラス、プログラム全体を記述する際に、開発者は振る舞い仕様のレベルで動作します。 Pythonessは、テストとコード生成の組み合わせをうまく利用して、仕様のみよりも高品質なコードを生成することができることを示す。
  論文  参考訳（メタデータ） (2025-01-03T23:14:46Z)
• Commit0: Library Generation from Scratch [77.38414688148006]
  Commit0は、AIエージェントにスクラッチからライブラリを書くよう促すベンチマークである。 エージェントには、ライブラリのAPIを概説する仕様文書と、インタラクティブなユニットテストスイートが提供されている。 Commit0はまた、モデルが生成したコードに対して静的解析と実行フィードバックを受け取る、インタラクティブな環境も提供する。
  論文  参考訳（メタデータ） (2024-12-02T18:11:30Z)
• Deep Fast Machine Learning Utils: A Python Library for Streamlined Machine Learning Prototyping [0.0]
  Deep Fast Machine Learning Utils (DFMLU)ライブラリは、機械学習プロセスのアスペクトを自動化および拡張するために設計されたツールを提供する。 DFMLUはモデル開発とデータ処理をサポートする機能を提供します。 この原稿はDFMLUの機能の概要を示し、各ツールにPythonの例を提供している。
  論文  参考訳（メタデータ） (2024-09-14T21:39:17Z)
• Prompto: An open source library for asynchronous querying of LLM endpoints [1.3912854618248238]
  promptoはオープンソースのPythonライブラリで、LLM(Large Language Model)エンドポイントの非同期クエリを容易にする。 我々のライブラリーは、研究者や開発者がより効果的にLLMと対話し、実験、データ生成、評価を高速に行えるようにします。
  論文  参考訳（メタデータ） (2024-08-12T15:19:59Z)
• LILO: Learning Interpretable Libraries by Compressing and Documenting Code [71.55208585024198]
  LILOは、反復的に合成、圧縮、文書化を行う、ニューロシンボリックなフレームワークである。 LILOは、LLM誘導プログラム合成と、Stitchから自動化された最近のアルゴリズムの進歩を組み合わせたものである。 LILOのシンセサイザーが学習した抽象化を解釈し、デプロイするのを手助けすることで、AutoDocがパフォーマンスを向上させることが分かりました。
  論文  参考訳（メタデータ） (2023-10-30T17:55:02Z)
• SequeL: A Continual Learning Library in PyTorch and JAX [50.33956216274694]
  SequeLは継続学習のためのライブラリで、PyTorchとJAXフレームワークの両方をサポートする。 それは、正規化ベースのアプローチ、リプレイベースのアプローチ、ハイブリッドアプローチを含む、幅広い連続学習アルゴリズムのための統一インターフェースを提供する。 私たちはSequeLをオープンソースライブラリとしてリリースし、研究者や開発者が自身の目的で簡単にライブラリを実験し拡張することができます。
  論文  参考訳（メタデータ） (2023-04-21T10:00:22Z)

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。