論文の概要: Object Search in Partially-Known Environments via LLM-informed Model-based Planning and Prompt Selection

• arxiv url: http://arxiv.org/abs/2603.23800v1
• Date: Wed, 25 Mar 2026 00:24:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.066771
• Title: Object Search in Partially-Known Environments via LLM-informed Model-based Planning and Prompt Selection
• Title（参考訳）: LLMインフォームドモデルベースプランニングとプロンプト選択による部分知識環境における対象探索
• Authors: Abhishek Paudel, Abhish Khanal, Raihan I. Arnob, Shahriar Hossain, Gregory J. Stein,
• Abstract要約: 本稿では, LLM を用いた新しいモデルベース計画フレームワークと, 部分的に知られている環境下でのオブジェクト探索のための新しいプロンプト選択手法を提案する。 提案手法はLLMを用いて,現場の様々な場所を探索する際に対象物を見つける確率の統計を推定する。 バンディット様選択法により,最良プロンプトの迅速な選択が可能となり,平均コストが6.5%低下し,平均累積後悔率が33.8%低下した。
• 参考スコア（独自算出の注目度）: 6.736505212840328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel LLM-informed model-based planning framework, and a novel prompt selection method, for object search in partially-known environments. Our approach uses an LLM to estimate statistics about the likelihood of finding the target object when searching various locations throughout the scene that, combined with travel costs extracted from the environment map, are used to instantiate a model, thus using the LLM to inform planning and achieve effective search performance. Moreover, the abstraction upon which our approach relies is amenable to deployment-time model selection via the recent offline replay approach, an insight we leverage to enable fast prompt and LLM selection during deployment. Simulation experiments demonstrate that our LLM-informed model-based planning approach outperforms the baseline planning strategy that fully relies on LLM and optimistic strategy with as much as 11.8% and 39.2% improvements respectively, and our bandit-like selection approach enables quick selection of best prompts and LLMs resulting in 6.5% lower average cost and 33.8% lower average cumulative regret over baseline UCB bandit selection. Real-robot experiments in an apartment demonstrate similar improvements and so further validate our approach.
• Abstract（参考訳）: 本稿では, LLM を用いた新しいモデルベース計画フレームワークと, 部分的に知られている環境下でのオブジェクト探索のための新しいプロンプト選択手法を提案する。 提案手法では,環境マップから抽出した旅行コストと組み合わせてモデルをインスタンス化するために,LLMを用いて,現場の様々な場所を探索する際に対象物を見つける確率の統計を推定する。 さらに、我々のアプローチが依存している抽象化は、最近のオフラインリプレイアプローチを通じて、デプロイ中の迅速なプロンプトとLCMの選択を可能にするために、私たちが活用する洞察を通じて、デプロイ時のモデル選択に対処できる。 シミュレーション実験により, LLMによるモデルベースプランニング手法は, LLMと楽観的戦略に完全に依存するベースラインプランニング戦略をそれぞれ11.8%, 39.2%の改善を達成し, バンディットのような選択手法により, 最良プロンプトとLLMの迅速な選択が可能となり, 平均コスト6.5%, 平均累積後悔33.8%がベースライン UCB バンディット選択に勝ることを示した。 アパートにおける実ロボット実験は、同様の改善を実証し、我々のアプローチをさらに検証する。

関連論文リスト

• Training-Free Query Optimization via LLM-Based Plan Similarity [45.9982965995401]
  LLM-PM (LLM-based Plan Mapping) は,クエリのデフォルト実行プランを埋め込んだフレームワークである。 JOB-CEBベンチマークで評価したところ、LLM-PMは平均21%のレイテンシ低減を実現している。
  論文  参考訳（メタデータ） (2025-06-06T08:16:07Z)
• Large Language Models for Planning: A Comprehensive and Systematic Survey [29.168219253281453]
  大規模言語モデル(LLM)は、特定の計画タスクにおいて顕著なパフォーマンスを示している。 本稿では,LLMをベースとした計画の総合的なレビューを行う。
  論文  参考訳（メタデータ） (2025-05-26T08:44:53Z)
• LLM4FS: Leveraging Large Language Models for Feature Selection [4.039099719779964]
  大規模言語モデル(LLM)の最近の進歩は、意思決定に新たな機会をもたらした。 従来のデータ駆動方式とLCMを統合したLSM4FSというハイブリッド戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-31T14:40:31Z)
• From Selection to Generation: A Survey of LLM-based Active Learning [153.8110509961261]
  大きな言語モデル(LLM)は、全く新しいデータインスタンスを生成し、よりコスト効率の良いアノテーションを提供するために使われています。 本調査は,LSMに基づくAL手法の直感的な理解を目指して,研究者や実践者の最新のリソースとして機能することを目的としている。
  論文  参考訳（メタデータ） (2025-02-17T12:58:17Z)
• Universal Model Routing for Efficient LLM Inference [69.86195589350264]
  モデルルーティングは,大規模言語モデル(LLM)の推論コストを削減する手法である 動的ルーティング問題に対する新しいアプローチであるUniRouteを提案する。 これらは理論的に最適なルーティングルールの推定であり、過大なリスクバウンドによってそれらのエラーを定量化する。
  論文  参考訳（メタデータ） (2025-02-12T20:30:28Z)
• Query-Efficient Planning with Language Models [8.136901056728945]
  複雑な環境での計画では、エージェントがスタートからゴールまでの一連のアクションを見つけるために、ワールドモデルを効率的にクエリする必要がある。 最近の研究によると、Large Language Models(LLM)は、将来有望な状態を探索し、世界からのフィードバックに適応することによって、計画に役立つ可能性がある。 両アプローチが同等のベースラインで改善されているのに対して,LLMを生成プランナーとして使用すると,相互作用が大幅に減少することを示す。
  論文  参考訳（メタデータ） (2024-12-09T02:51:21Z)
• Affordances-Oriented Planning using Foundation Models for Continuous Vision-Language Navigation [64.84996994779443]
  本稿では,連続視覚言語ナビゲーション(VLN)タスクのためのAffordances-Oriented Plannerを提案する。 我々のAO-Plannerは、様々な基礎モデルを統合して、アベイランス指向の低レベルな動き計画とハイレベルな意思決定を実現する。 挑戦的なR2R-CEデータセットとRxR-CEデータセットの実験は、AO-Plannerが最先端のゼロショットのパフォーマンスを達成したことを示している。
  論文  参考訳（メタデータ） (2024-07-08T12:52:46Z)
• Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
  この研究は、大規模言語モデル(LLM)の計画能力を改善するための基礎を築いた。 我々は、古典的な計画ベンチマークと自然言語シナリオの両方を含む包括的なベンチマークスイートを構築した。 本研究は,LLM計画の強化を目的としたマルチショットインコンテキスト学習について検討し,文脈長の増大と計画性能の向上の関係について検討する。
  論文  参考訳（メタデータ） (2024-06-18T22:57:06Z)
• LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
  大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。 本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。 このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
  論文  参考訳（メタデータ） (2024-02-26T07:33:05Z)

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。