論文の概要: Constraint-aware Path Planning from Natural Language Instructions Using Large Language Models

• arxiv url: http://arxiv.org/abs/2603.19257v1
• Date: Thu, 26 Feb 2026 09:01:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.79072
• Title: Constraint-aware Path Planning from Natural Language Instructions Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた自然言語命令からの制約を考慮した経路計画
• Authors: Dylan Shim, Minghan Wei,
• Abstract要約: 本稿では,自然言語入力から直接制約付き経路計画問題を解くフレキシブルなフレームワークを提案する。 中心となる考え方は、LLMが問題を解釈して解決できるようにしながら、ユーザーが会話でルーティングタスクを記述できるようにすることである。 この方法は、人間の介入を最小限に抑えて現実世界のルーティングタスクを解決するために、スケーラブルで一般化可能なアプローチを提供する。
• 参考スコア（独自算出の注目度）: 1.4180331276028664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world path planning tasks typically involve multiple constraints beyond simple route optimization, such as the number of routes, maximum route length, depot locations, and task-specific requirements. Traditional approaches rely on dedicated formulations and algorithms for each problem variant, making them difficult to scale across diverse scenarios. In this work, we propose a flexible framework that leverages large language models (LLMs) to solve constrained path planning problems directly from natural language input. The core idea is to allow users to describe routing tasks conversationally, while enabling the LLM to interpret and solve the problem through solution verification and iterative refinement. The proposed method consists of two integrated components. For problem types that have been previously formulated and studied, the LLM first matches the input request to a known problem formulation in a library of pre-defined templates. For novel or unseen problem instances, the LLM autonomously infers a problem representation from the natural language description and constructs a suitable formulation in an in-context learning manner. In both cases, an iterative solution generation and verification process guides the LLM toward producing feasible and increasingly optimal solutions. Candidate solutions are compared and refined through multiple rounds of self-correction, inspired by genetic-algorithm-style refinement. We present the design, implementation, and evaluation of this LLM-based framework, demonstrating its capability to handle a variety of constrained path planning problems. This method provides a scalable and generalizable approach for solving real-world routing tasks with minimal human intervention, while enabling flexible problem specification through natural language.
• Abstract（参考訳）: 現実の経路計画タスクは通常、ルートの数、ルートの最大長、補給所の位置、タスク固有の要求など、単純な経路最適化以上の複数の制約を含む。 従来のアプローチでは、各問題変種に対して専用の定式化とアルゴリズムを頼りにしており、さまざまなシナリオにまたがるスケールが難しい。 本研究では,大規模言語モデル(LLM)を利用して,制約付き経路計画問題の自然言語入力から直接解決するフレキシブルなフレームワークを提案する。 中心となる考え方は、LLMが解の検証と反復的な改善を通じて問題を解釈し、解決できるようにしながら、ユーザーが会話でルーティングタスクを記述できるようにすることである。 提案手法は2つの統合コンポーネントから構成される。 以前に定式化され研究された問題タイプに対しては、LLMは事前に定義されたテンプレートのライブラリにおいて、入力要求を既知の問題定式化にマッチさせる。 新規または未確認な問題の場合、LLMは自然言語記述から問題表現を自律的に推論し、文脈内学習方式で適切な定式化を構築する。 どちらの場合も、反復的な解の生成と検証プロセスは、LCMが実現可能でますます最適な解を生成するためのガイドとなる。 候補の解は、遺伝的アルゴリズムスタイルの洗練にインスパイアされた複数の自己補正を通じて比較され、洗練される。 本稿では, LLM ベースのフレームワークの設計, 実装, 評価を行い, 様々な制約のある経路計画問題に対処できることを実証する。 この方法は、人間の介入を最小限に抑えつつ、自然言語による柔軟な問題仕様を実現しつつ、現実世界のルーティングタスクを解くためのスケーラブルで一般化可能なアプローチを提供する。

関連論文リスト

• Large Language Models as End-to-end Combinatorial Optimization Solvers [45.32050615257007]
  物流や製造などの意思決定シナリオの中心となる組合せ最適化(CO)問題は、伝統的に問題固有のアルゴリズムを使用して解決される。 既存のアプローチは、コード生成やソルバ呼び出しといった中間ステップに依存しており、その汎用性とアクセシビリティを制限している。 本稿では,大規模言語モデル(LLM)を,自然言語問題記述をソリューションに直接マッピングすることで,エンドツーエンドのCOソルバとして機能させる,新たなフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-21T01:30:30Z)
• LLMAP: LLM-Assisted Multi-Objective Route Planning with User Preferences [31.10423199218523]
  大規模言語モデル(LLM)の台頭により、リッチなユーザ目標を含む新たな研究領域を自然言語駆動で計画するルートが生まれている。 本稿では,自然言語を理解し,タスクを識別し,ユーザの好みを抽出するLLM-asタスクを提案する。 世界中の14の国と27の都市で、様々な複雑さでサンプリングされた1000のルーティングプロンプトを用いて広範な実験を行っている。
  論文  参考訳（メタデータ） (2025-09-14T02:30:19Z)
• Gala: Global LLM Agents for Text-to-Model Translation [12.20235137210144]
  この課題に対処するフレームワークであるGalaを,グローバルなエージェント的アプローチで紹介する。 複数の特殊大規模言語モデル(LLM)エージェントは、グローバル制約型によってモデリングタスクを分解する。 問題をより小さくよく定義されたサブタスクに分割することで、各LSMはより単純な推論問題を扱う。
  論文  参考訳（メタデータ） (2025-09-10T20:04:20Z)
• Towards Efficient Multi-LLM Inference: Characterization and Analysis of LLM Routing and Hierarchical Techniques [14.892995952768352]
  言語モデル(LM)は、テキスト生成、要約、質問応答といったタスクに優れています。 彼らの推論は計算コストが高く、ハードウェア、電力、帯域幅に制限のある設定でエネルギーを集中的に消費する。 近年のアプローチでは、クエリの複雑さに基づいて、動的に計算資源を割り当てる複数のLLMインテリジェントモデル選択戦略が導入されている。
  論文  参考訳（メタデータ） (2025-06-06T23:13:08Z)
• Self-Steering Language Models [113.96916935955842]
  DisCIPL は "self-steering" 言語モデル (LM) の手法である。 DisCIPLは、Followerモデルの集団によって実行されるタスク固有の推論プログラムを生成する。 我々の研究は、高度に並列化されたモンテカルロ推論戦略の設計空間を開く。
  論文  参考訳（メタデータ） (2025-04-09T17:54:22Z)
• 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)
• Large Language Models as Common-Sense Heuristics [0.9093413254392775]
  大規模言語モデル(LLM)は、幅広いトピックにまたがるパラメトリドな知識を持ち、彼らのソリューションにおける計画タスクの自然言語記述を活用できる。 本研究では,LLMのパラメトリド知識をヒルクライミングサーチの出力として利用することにより,新たな計画手法を提案する。 提案手法は,共通住宅環境における類似システムのタスク成功率を22ポイント向上させ,一貫した計画を立てる。
  論文  参考訳（メタデータ） (2025-01-31T00:26:38Z)
• Interactive and Expressive Code-Augmented Planning with Large Language Models [62.799579304821826]
  大きな言語モデル(LLM)は、常識的推論と対話的な意思決定において強力な能力を示す。 近年,制御フローなどのコード・アジャセント技術を用いてLCM出力を構造化し,計画性能を向上させる技術が提案されている。 完全コード表現で動的なLEM計画手法であるREPL-Planを提案する。
  論文  参考訳（メタデータ） (2024-11-21T04:23:17Z)
• Thought Propagation: An Analogical Approach to Complex Reasoning with Large Language Models [62.96551299003463]
  大規模言語モデルの複雑な推論能力を高めるために,textbftextitThought Propagation (TP)を提案する。 TP はまず LLM に対して,入力問題に関連する類似問題の集合を提案し,解決するよう促す。 TPは、類似問題の結果を再利用して、新しいソリューションを直接生成したり、スクラッチから得られた初期ソリューションを修正するための知識集約的な実行プランを導出する。
  論文  参考訳（メタデータ） (2023-10-06T01:40:09Z)

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。