論文の概要: Skilled AI Agents for Embedded and IoT Systems Development
- arxiv url: http://arxiv.org/abs/2603.19583v1
- Date: Fri, 20 Mar 2026 02:56:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:38.951209
- Title: Skilled AI Agents for Embedded and IoT Systems Development
- Title（参考訳）: 組み込みおよびIoTシステム開発のためのスキルAIエージェント
- Authors: Yiming Li, Yuhan Cheng, Mingchen Ma, Yihang Zou, Ningyuan Yang, Wei Cheng, Hai "Helen" Li, Yiran Chen, Tingjun Chen,
- Abstract要約: 我々は,IoT-SkillsBenchとともに,HIL組み込み開発のためのスキルベースのエージェントフレームワークを紹介する。
IoT-SkillsBenchは、実際の組み込みプログラミング環境でAIエージェントを体系的に評価するように設計されたベンチマークである。
構造化された専門家知識による簡潔な人材育成技術は、プラットフォーム間でほぼ完璧な成功率を実現することができることを示す。
- 参考スコア（独自算出の注目度）: 28.432934288413975
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) and agentic systems have shown promise for automated software development, but applying them to hardware-in-the-loop (HIL) embedded and Internet-of-Things (IoT) systems remains challenging due to the tight coupling between software logic and physical hardware behavior. Code that compiles successfully may still fail when deployed on real devices because of timing constraints, peripheral initialization requirements, or hardware-specific behaviors. To address this challenge, we introduce a skills-based agentic framework for HIL embedded development together with IoT-SkillsBench, a benchmark designed to systematically evaluate AI agents in real embedded programming environments. IoT-SkillsBench spans three representative embedded platforms, 23 peripherals, and 42 tasks across three difficulty levels, where each task is evaluated under three agent configurations (no-skills, LLM-generated skills, and human-expert skills) and validated through real hardware execution. Across 378 hardware validated experiments, we show that concise human-expert skills with structured expert knowledge enable near-perfect success rates across platforms.
- Abstract（参考訳）: 大規模言語モデル(LLM)とエージェントシステムは、ソフトウェア開発の自動化を約束しているが、ハードウェア・イン・ザ・ループ(HIL)組み込みとIoT(Internet-of-Things)システムに適用することは、ソフトウェアロジックと物理ハードウェアの動作の密接な結合のため、依然として困難である。
コンパイルに成功しているコードは、タイミング制約、周辺初期化要件、ハードウェア固有の動作のために、実際のデバイスにデプロイしても失敗する可能性がある。
この課題に対処するために,実組込みプログラミング環境でAIエージェントを体系的に評価するベンチマークであるIoT-SkillsBenchとともに,HIL組み込み開発のためのスキルベースのエージェントフレームワークを紹介した。
IoT-SkillsBenchは3つの代表的な組み込みプラットフォーム、23の周辺機器、42のタスクを3つの困難レベルに分散し、各タスクは3つのエージェント構成(スキル、LLM生成スキル、ヒューマンエキスパートスキル)で評価され、実際のハードウェア実行を通じて検証される。
378件のハードウェア検証実験の結果、構造化された専門家知識による簡潔な熟練技術により、プラットフォーム間におけるほぼ完全な成功率を実現できることが判明した。
関連論文リスト
- SkillNet: Create, Evaluate, and Connect AI Skills [159.47504178122156]
SkillNetは、大規模にAIスキルを作成し、評価し、組織化するように設計されたオープンインフラストラクチャである。
私たちのインフラストラクチャは、20万を超えるスキルのリポジトリ、インタラクティブなプラットフォーム、多目的Pythonツールキットを統合しています。
論文 参考訳（メタデータ） (2026-02-26T14:24:02Z) - Agentic Pipelines in Embedded Software Engineering: Emerging Practices and Challenges [2.0769172070951067]
ソフトウェア開発において、生成AIの急速な採用によって、新たな変革が進行中である。
しかし、組み込みソフトウェアエンジニアリング組織にとって、これはAIを安全クリティカルでリソースに制約のある環境に統合する最初の経験となる。
決定論、信頼性、トレーサビリティの厳格な要求は、生成技術の採用に固有の課題をもたらす。
論文 参考訳（メタデータ） (2026-01-15T09:30:46Z) - AI Agentic Programming: A Survey of Techniques, Challenges, and Opportunities [8.086360127362815]
大規模言語モデル(LLM)ベースのコーディングエージェントは、コンパイラ、デバッガ、バージョン管理システムなどのツールを自律的に計画し、実行し、操作する。
従来のコード生成とは異なり、これらのエージェントは目標を分解し、多段階プロセスをコーディネートし、フィードバックに基づいて適応し、ソフトウェア開発のプラクティスを再構築する。
論文 参考訳（メタデータ） (2025-08-15T00:14:31Z) - Verbal Process Supervision Elicits Better Coding Agents [0.9558392439655016]
この研究は、言語プロセス監視(VPS)によって強化されたコード理解・推論エージェントであるCURAを導入している。
CURAはBigCodeBenchのような挑戦的なベンチマークでベースラインモデルよりも3.65%改善されている。
論文 参考訳（メタデータ） (2025-03-24T09:48:59Z) - Develop AI Agents for System Engineering in Factorio [1.5824959429406713]
本稿では,自動サンドボックスゲームによるAIエージェントのシステムエンジニアリング能力の育成と評価を提唱する。
この方向に研究努力を向けることで、明日最も要求されるエンジニアリングプロジェクトの設計、保守、最適化に必要な特別な推論と長期計画を備えたAIエージェントを装備できる。
論文 参考訳（メタデータ） (2025-02-03T16:26:17Z) - EmbedGenius: Towards Automated Software Development for Generic Embedded IoT Systems [11.524778651869044]
本稿では,汎用IoTシステムのための,最初の完全自動化ソフトウェア開発プラットフォームであるEmbedGeniusを紹介する。
鍵となるアイデアは、Large Language Models(LLM)の推論能力と組み込みシステムの専門知識を活用して、ループ内ハードウェア開発プロセスを自動化することである。
71のモジュールと350以上のIoTタスクを備えた4つのメインストリームの組み込み開発プラットフォームで、EmbedGeniusのパフォーマンスを評価しました。
論文 参考訳（メタデータ） (2024-12-12T08:34:12Z) - Internet of Agents: Weaving a Web of Heterogeneous Agents for Collaborative Intelligence [79.5316642687565]
既存のマルチエージェントフレームワークは、多種多様なサードパーティエージェントの統合に苦慮することが多い。
我々はこれらの制限に対処する新しいフレームワークであるInternet of Agents (IoA)を提案する。
IoAはエージェント統合プロトコル、インスタントメッセージのようなアーキテクチャ設計、エージェントのチーム化と会話フロー制御のための動的メカニズムを導入している。
論文 参考訳（メタデータ） (2024-07-09T17:33:24Z) - OS-Copilot: Towards Generalist Computer Agents with Self-Improvement [48.29860831901484]
オペレーティングシステム(OS)の包括的要素と対話可能な汎用エージェントを構築するためのフレームワークであるOS-Copilotを紹介する。
我々はOS-Copilotを使って、汎用コンピュータタスクを自動化する自己改善型実施エージェントであるFRIDAYを開発した。
一般的なAIアシスタントのベンチマークであるGAIAでは、FRIDAYが従来の手法を35%上回り、以前のタスクから蓄積したスキルを通じて、目に見えないアプリケーションへの強力な一般化を示している。
論文 参考訳（メタデータ） (2024-02-12T07:29:22Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-21T17:14:34Z)
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。