論文の概要: LLM-Guided Decentralized Exploration with Self-Organizing Robot Teams

• arxiv url: http://arxiv.org/abs/2603.04762v1
• Date: Thu, 05 Mar 2026 03:20:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.925533
• Title: LLM-Guided Decentralized Exploration with Self-Organizing Robot Teams
• Title（参考訳）: 自己組織化ロボットチームによるLLM誘導分散探査
• Authors: Hiroaki Kawashima, Shun Ikejima, Takeshi Takai, Mikita Miyaguchi, Yasuharu Kunii,
• Abstract要約: 本研究では, 自己組織化のためのアルゴリズムを組み合わせて, 複数のチームの自律的な形成を可能にする探索手法を提案する。 提案手法の有効性は, 数十から数百のロボットを用いたシミュレーションにより検証した。
• 参考スコア（独自算出の注目度）: 1.9573380763700712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When individual robots have limited sensing capabilities or insufficient fault tolerance, it becomes necessary for multiple robots to form teams during exploration, thereby increasing the collective observation range and reliability. Traditionally, swarm formation has often been managed by a central controller; however, from the perspectives of robustness and flexibility, it is preferable for the swarm to operate autonomously even in the absence of centralized control. In addition, the determination of exploration targets for each team is crucial for efficient exploration in such multi-team exploration scenarios. This study therefore proposes an exploration method that combines (1) an algorithm for self-organization, enabling the autonomous and dynamic formation of multiple teams, and (2) an algorithm that allows each team to autonomously determine its next exploration target (destination). In particular, for (2), this study explores a novel strategy based on large language models (LLMs), while classical frontier-based methods and deep reinforcement learning approaches have been widely studied. The effectiveness of the proposed method was validated through simulations involving tens to hundreds of robots.
• Abstract（参考訳）: 個々のロボットが知覚能力や耐故障性に限界がある場合、探索中に複数のロボットがチームを編成する必要があるため、集合的な観測範囲と信頼性が向上する。 伝統的に、Swarmの形成は中央のコントローラによって管理されることが多いが、堅牢性と柔軟性の観点からすると、集中的な制御がなくても、Swarmが自律的に動作することが好ましい。 さらに、各チームの探索目標を決定することは、このような複数チームの探索シナリオにおける効率的な探索に不可欠である。 そこで本研究では,(1)自己組織化のためのアルゴリズムを組み合わせ,複数のチームの自律的かつ動的形成を可能にするとともに,(2)各チームが次の探索目標(目的地)を自律的に決定できるアルゴリズムを提案する。 特に,(2)では,大規模言語モデル(LLM)に基づく新たな戦略を探求する一方で,古典的フロンティアに基づく手法や深層強化学習手法が広く研究されている。 提案手法の有効性は, 数十から数百のロボットを用いたシミュレーションにより検証した。

関連論文リスト

• Heterogeneous Robot Collaboration in Unstructured Environments with Grounded Generative Intelligence [54.91177026001217]
  大規模言語モデル(LLM)対応のチーム化手法は、よく構造化された既知の環境を前提とするのが一般的である。 異種ロボットチームにおけるLCMの推論能力を基盤として,これらの制約に対処するフレームワークであるSPINE-HTを提案する。 我々のフレームワークは、従来のLLM対応の不均一なチームリング手法と比較して、ほぼ2倍の成功率を達成する。
  論文  参考訳（メタデータ） (2025-10-30T18:24:38Z)
• LLM-MCoX: Large Language Model-based Multi-robot Coordinated Exploration and Search [13.039064446429407]
  LLM-MCoX (LLM-based Multi-robot Coordinated Exploration and Search)を導入した。 提案手法は,フロンティアクラスタ抽出とドアウェイ検出のためのリアルタイムLiDARスキャン処理とマルチモーダルLPM推論を組み合わせたものである。 LLMは自然言語に基づくオブジェクト検索を可能にするので、人間のオペレーターは高いレベルのセマンティックガイダンスを提供することができる。
  論文  参考訳（メタデータ） (2025-09-30T14:33:35Z)
• Stabilizing Contrastive RL: Techniques for Robotic Goal Reaching from Offline Data [96.5899286619008]
  自己指導型学習は、制御戦略を学ぶのに必要な人間のアノテーションとエンジニアリングの労力を減らす可能性がある。 我々の研究は、強化学習(RL)自体が自己監督的な問題であることを示す先行研究に基づいている。 コントラスト学習に基づく自己教師付きRLアルゴリズムは,実世界の画像に基づくロボット操作タスクを解くことができることを示す。
  論文  参考訳（メタデータ） (2023-06-06T01:36:56Z)
• Bridging Active Exploration and Uncertainty-Aware Deployment Using Probabilistic Ensemble Neural Network Dynamics [11.946807588018595]
  本稿では,活発な探索と不確実性を考慮した展開を橋渡しするモデルベース強化学習フレームワークを提案する。 探索と展開の対立する2つのタスクは、最先端のサンプリングベースのMPCによって最適化されている。 自動運転車と車輪付きロボットの両方で実験を行い、探索と展開の両方に有望な結果を示します。
  論文  参考訳（メタデータ） (2023-05-20T17:20:12Z)
• AdverSAR: Adversarial Search and Rescue via Multi-Agent Reinforcement Learning [4.843554492319537]
  本稿では,敵対的エージェント間コミュニケーションの存在下で,ロボットの戦略を効率的に調整するアルゴリズムを提案する。 ロボットは対象の場所について事前の知識を持っておらず、隣接するロボットのサブセットのみといつでも対話できると仮定される。 提案手法の有効性は, グリッドワールド環境のプロトタイプで実証した。
  論文  参考訳（メタデータ） (2022-12-20T08:13:29Z)
• Cooperative Exploration for Multi-Agent Deep Reinforcement Learning [127.4746863307944]
  深層強化学習のための協調型マルチエージェント探索(CMAE)を提案する。 ゴールは正規化エントロピーに基づく手法により、複数の射影状態空間から選択される。 CMAEが様々なタスクのベースラインを一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2021-07-23T20:06:32Z)
• Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection [101.38634057635373]
  ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。 分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。 大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
  論文  参考訳（メタデータ） (2021-05-18T15:32:07Z)
• Enhanced Adversarial Strategically-Timed Attacks against Deep Reinforcement Learning [91.13113161754022]
  本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。 実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-20T21:39:25Z)

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。