論文の概要: Programming Manufacturing Robots with Imperfect AI: LLMs as Tuning Experts for FDM Print Configuration Selection

• arxiv url: http://arxiv.org/abs/2603.22118v1
• Date: Mon, 23 Mar 2026 15:42:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.758931
• Title: Programming Manufacturing Robots with Imperfect AI: LLMs as Tuning Experts for FDM Print Configuration Selection
• Title（参考訳）: 不完全なAIによる製造ロボットのプログラミング:FDM印刷構成選択のためのチューニングエキスパートとしてのLLM
• Authors: Ekta U. Samani, Christopher G. Atkeson,
• Abstract要約: ファステッド・デポジション・モデリング(FDM)3Dプリンティングは、製造ロボットがプロセスの専門知識を得るために不完全なAIをいかに活用できるかのケーススタディである。 LLMをチューニングの専門知識の源泉として扱うモジュール式クローズドループアプローチを提案する。 LLM誘導ループは、100のThingi10kパーツ上で78%のオブジェクトに対して、0%のケースで最高の構成を実現しています。
• 参考スコア（独自算出の注目度）: 4.685954926214927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We use fused deposition modeling (FDM) 3D printing as a case study of how manufacturing robots can use imperfect AI to acquire process expertise. In FDM, print configuration strongly affects output quality. Yet, novice users typically rely on default configurations, trial-and-error, or recommendations from generic AI models (e.g., ChatGPT). These strategies can produce complete prints, but they do not reliably meet specific objectives. Experts iteratively tune print configurations using evidence from prior prints. We present a modular closed-loop approach that treats an LLM as a source of tuning expertise. We embed this source of expertise within a Bayesian optimization loop. An approximate evaluator scores each print configuration and returns structured diagnostics, which the LLM uses to propose natural-language adjustments that are compiled into machine-actionable guidance for optimization. On 100 Thingi10k parts, our LLM-guided loop achieves the best configuration on 78% objects with 0% likely-to-fail cases, while single-shot AI model recommendations are rarely best and exhibit 15% likely-to-fail cases. These results suggest that LLMs provide more value as constrained decision modules in evidence-driven optimization loops than as end-to-end oracles for print configuration selection. We expect this result to extend to broader LLM-based robot programming.
• Abstract（参考訳）: ファステッド・デポジション・モデリング(FDM)3Dプリンティングは、製造ロボットがプロセスの専門知識を得るために不完全なAIをいかに活用できるかのケーススタディである。 FDMでは、印刷構成が出力品質に強く影響を与える。 しかし、初心者ユーザーは一般的にデフォルトの設定、試行錯誤、一般的なAIモデル(例えばChatGPT)のレコメンデーションに依存している。 これらの戦略は完全な印刷物を生成することができるが、特定の目的を確実に満たさない。 専門家は、先行印刷のエビデンスを使用して、印刷構成を反復的にチューニングする。 LLMをチューニングの専門知識の源泉として扱うモジュール式クローズドループアプローチを提案する。 この専門知識の源泉をベイズ最適化ループに埋め込む。 近似評価器は、各印刷構成をスコアし、LLMが機械操作可能な最適化ガイダンスにコンパイルされる自然言語調整を提案するために使用する構造化診断を返却する。 LLM-Guidedループは100のThingi10kパーツで、78%のオブジェクトで最高の設定を達成し、0%がフェイルケースであり、シングルショットのAIモデルレコメンデーションは最良であり、15%がフェイルケースを示すことは滅多にない。 これらの結果から,LCMは印刷構成選択におけるエンドツーエンドのオーラクルよりも,エビデンス駆動最適化ループにおける制約付き決定モジュールとしての価値が高いことが示唆された。 この結果は、LLMベースのロボットプログラミングにまで拡張されることを期待する。

関連論文リスト

• Talk is Cheap, Logic is Hard: Benchmarking LLMs on Post-Condition Formalization [0.32665457005470505]
  本稿では,プログラムの FULL プレコンディションとポストコンディションの生成における LLM の有効性について述べる。 新たな40タスクのデータセットを用いて24種類の最先端LCMを評価した。
  論文  参考訳（メタデータ） (2026-03-17T22:46:42Z)
• Real-Time Trustworthiness Scoring for LLM Structured Outputs and Data Extraction [4.66261113599649]
  構造化出力の信頼性をリアルタイムに評価する手法を提案する。 また、ミスに満ちていない信頼性の高い基底真理値を持つ最初の公開ベンチマークの1つを提示する。
  論文  参考訳（メタデータ） (2026-02-24T09:17:57Z)
• Set-LLM: A Permutation-Invariant LLM [2.9665130256021]
  本論文は,大規模言語モデル(LLM)の順序感度という,特定の脆弱性によって動機付けられている。 本研究では,事前学習型LLMに対する新しいアーキテクチャ適応であるSet-LLMを導入し,置換不変性を保証する混合集合文入力の処理を可能にする。
  論文  参考訳（メタデータ） (2025-05-21T12:14:26Z)
• Problem Solved? Information Extraction Design Space for Layout-Rich Documents using LLMs [1.338174941551702]
  本稿では,大規模言語モデル(LLM)を用いたレイアウトリッチドキュメントからの情報抽出のための設計空間を定義し,検討する。 本研究では,入力表現,チャンキング,プロンプト,LLMの選択,マルチモーダルモデルなど,これらのコア課題におけるサブプロブレムと手法について検討する。 LayIE-LLM(LayIE-LLM)は、オープンソースのレイアウト対応IEテストスイートである。
  論文  参考訳（メタデータ） (2025-02-25T13:11:53Z)
• Scaffolded Language Models with Language Supervision for Mixed-Autonomy: A Survey [52.00674453604779]
  本調査は,戦後のLM周辺における新規構造物の設計と最適化に関する文献を整理した。 本稿では,この階層構造を足場型LMと呼び,ツールを用いた多段階プロセスに統合されたLMに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-21T18:06:25Z)
• Self-Exploring Language Models: Active Preference Elicitation for Online Alignment [88.56809269990625]
  本研究では, 分布域外領域を積極的に探索するために, 潜在的に高次応答に対して楽観的に偏りを呈する2段階的客観性を提案する。 実験の結果,Zephyr-7B-SFTとLlama-3-8B-Instructモデルで微調整した場合,SELM(Self-Exploring Language Models)は命令追従ベンチマークの性能を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2024-05-29T17:59:07Z)
• Are Large Language Models Good Prompt Optimizers? [65.48910201816223]
  我々は,LLMに基づくPrompt Optimizationの実際のメカニズムを明らかにするために研究を行っている。 以上の結果から, LLMは, 反射中の誤差の真の原因を特定するのに苦慮し, 自己の事前知識に偏っていることが明らかとなった。 我々は、より制御可能な方法でターゲットモデルの振舞いを直接最適化する新しい「自動振舞い最適化」パラダイムを導入する。
  論文  参考訳（メタデータ） (2024-02-03T09:48:54Z)
• Language Models Enable Simple Systems for Generating Structured Views of Heterogeneous Data Lakes [54.13559879916708]
  EVAPORATEは大規模言語モデル(LLM)を利用したプロトタイプシステムである。 コード合成は安価だが、各文書をLSMで直接処理するよりもはるかに正確ではない。 直接抽出よりも優れた品質を実現する拡張コード実装EVAPORATE-CODE+を提案する。
  論文  参考訳（メタデータ） (2023-04-19T06:00:26Z)

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。