論文の概要: Reducing Mental Workload through On-Demand Human Assistance for Physical Action Failures in LLM-based Multi-Robot Coordination

• arxiv url: http://arxiv.org/abs/2603.28156v1
• Date: Mon, 30 Mar 2026 08:21:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.302238
• Title: Reducing Mental Workload through On-Demand Human Assistance for Physical Action Failures in LLM-based Multi-Robot Coordination
• Title（参考訳）: LLMによるマルチロボット協調作業における身体行動障害に対する人体支援によるメンタルワークロードの低減
• Authors: Shoichi Hasegawa, Akira Taniguchi, Lotfi El Hafi, Gustavo Alfonso Garcia Ricardez, Tadahiro Taniguchi,
• Abstract要約: 本研究では,リモートエラー解決をマルチロボット計画に統合するヒューマン・イン・ザ・ループ・フレームワークを提案する。 この方法では、ロボットは自律的にタスクを実行するが、発見不可能な障害が発生した場合、LLMはオペレーターに支援を要求する。 簡単に収集可能なアイテムを収集するために、フルリモートコントロールと同等のタスクの進捗を達成した。
• 参考スコア（独自算出の注目度）: 6.763690463901024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-robot coordination based on large language models (LLMs) has attracted growing attention, since LLMs enable the direct translation of natural language instructions into robot action plans by decomposing tasks and generating high-level plans. However, recovering from physical execution failures remains difficult, and tasks often stagnate due to the repetition of the same unsuccessful actions. While frameworks for remote robot operation using Mixed Reality were proposed, there have been few attempts to implement remote error resolution specifically for physical failures in multi-robot environments. In this study, we propose REPAIR (Robot Execution with Planned And Interactive Recovery), a human-in-the-loop framework that integrates remote error resolution into LLM-based multi-robot planning. In this method, robots execute tasks autonomously; however, when an irrecoverable failure occurs, the LLM requests assistance from an operator, enabling task continuity through remote intervention. Evaluations using a multi-robot trash collection task in a real-world environment confirmed that REPAIR significantly improves task progress (the number of items cleared within a time limit) compared to fully autonomous methods. Furthermore, for easily collectable items, it achieved task progress equivalent to full remote control. The results also suggested that the mental workload on the operator may differ in terms of physical demand and effort. The project website is https://emergentsystemlabstudent.github.io/REPAIR/.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づくマルチロボット協調は、LLMがタスクを分解し、高レベルな計画を生成することで、自然言語命令を直接ロボット行動計画に翻訳できるため、注目を集めている。 しかし、物理的な実行障害からの回復は依然として困難であり、同じ動作を繰り返したためにタスクは停滞することが多い。 複合現実感を用いた遠隔ロボット操作のためのフレームワークが提案されているが,マルチロボット環境での物理的故障に特化して遠隔エラー解決を実現する試みは少ない。 本研究では,LLMをベースとしたマルチロボット計画にリモートエラー解決を組み込んだヒューマン・イン・ザ・ループ・フレームワークであるREPAIR(Robot Execution with Planned and Interactive Recovery)を提案する。 この方法では、ロボットが自律的にタスクを実行するが、発見不可能な障害が発生した場合、LLMはオペレーターに支援を依頼し、遠隔操作によるタスク継続を可能にする。 実環境におけるマルチロボットゴミ収集タスクを用いた評価の結果,REPAIRは完全自律型手法と比較してタスク進捗(時間制限内でクリアされた項目数)を大幅に改善することを確認した。 さらに,手軽に収集可能な項目に対して,完全遠隔操作に匹敵するタスク進捗を達成した。 また, 作業者の精神的負担は, 身体的要求や労力の面で異なる可能性が示唆された。 プロジェクトのWebサイトはhttps://emergentsystemlabstudent.github.io/REPAIR/である。

関連論文リスト

• From Dialogue to Execution: Mixture-of-Agents Assisted Interactive Planning for Behavior Tree-Based Long-Horizon Robot Execution [10.513251543236684]
  大型言語モデル(LLM)により、ロボットは自然言語命令からハイレベルなアクションプランを生成することができる。 長期的タスクでは、このようなアプローチには多くの疑問が伴い、ユーザの負担が増大する。 そこで我々は,Mixture-of-Agents(MoA)ベースのプロキシ応答を対話型プランニングに統合するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-01T13:54:51Z)
• MALMM: Multi-Agent Large Language Models for Zero-Shot Robotics Manipulation [62.854649499866774]
  大規模言語モデル(LLM)は、ロボティクスの操作やナビゲーションなど、さまざまな領域にまたがる優れた計画能力を示している。 特殊なLLMエージェント間で高レベル計画および低レベル制御コード生成を分散する新しいマルチエージェントLLMフレームワークを提案する。 長軸タスクを含む9つのRLBenchタスクに対するアプローチを評価し、ゼロショット環境でロボット操作を解く能力を実証した。
  論文  参考訳（メタデータ） (2024-11-26T17:53:44Z)
• COHERENT: Collaboration of Heterogeneous Multi-Robot System with Large Language Models [49.24666980374751]
  COHERENTは、異種マルチロボットシステムの協調のための新しいLCMベースのタスク計画フレームワークである。 提案-実行-フィードバック-調整機構は,個々のロボットに対して動作を分解・割り当てするように設計されている。 実験の結果,我々の研究は,成功率と実行効率の面で,従来の手法をはるかに上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-23T15:53:41Z)
• Large Language Models for Orchestrating Bimanual Robots [19.60907949776435]
  本稿では,Language-based Bimanual Orchestration (LABOR)を提案する。 NICOLヒューマノイドロボットを用いた2種類の長距離作業のシミュレーション実験により,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-04-02T15:08:35Z)
• Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
  大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T22:54:44Z)

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。