論文の概要: Precise Robot Command Understanding Using Grammar-Constrained Large Language Models

• arxiv url: http://arxiv.org/abs/2604.04233v1
• Date: Sun, 05 Apr 2026 19:30:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.997854
• Title: Precise Robot Command Understanding Using Grammar-Constrained Large Language Models
• Title（参考訳）: 文法制約付き大言語モデルを用いた高精度ロボット制御
• Authors: Xinyun Huo, Raghav Gnanasambandam, Xinyao Zhang,
• Abstract要約: 大規模言語モデル(LLM)は、安全で実行可能な産業コマンドに必要なドメイン固有の剛性を欠いていることが多い。 本稿では,文法駆動自然言語理解システム(NLU)を統合した文法制約付きLLMを提案する。 提案モデルの主な特徴は検証とフィードバックのループであり、初期解釈エラーからモデルが回復することを可能にする。
• 参考スコア（独自算出の注目度）: 1.7166030977364601
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human-robot collaboration in industrial settings requires precise and reliable communication to enhance operational efficiency. While Large Language Models (LLMs) understand general language, they often lack the domain-specific rigidity needed for safe and executable industrial commands. To address this gap, this paper introduces a novel grammar-constrained LLM that integrates a grammar-driven Natural Language Understanding (NLU) system with a fine-tuned LLM, which enables both conversational flexibility and the deterministic precision required in robotics. Our method employs a two-stage process. First, a fine-tuned LLM performs high-level contextual reasoning and parameter inference on natural language inputs. Second, a Structured Language Model (SLM) and a grammar-based canonicalizer constrain the LLM's output, forcing it into a standardized symbolic format composed of valid action frames and command elements. This process guarantees that generated commands are valid and structured in a robot-readable JSON format. A key feature of the proposed model is a validation and feedback loop. A grammar parser validates the output against a predefined list of executable robotic actions. If a command is invalid, the system automatically generates corrective prompts and re-engages the LLM. This iterative self-correction mechanism allows the model to recover from initial interpretation errors to improve system robustness. We evaluate our grammar-constrained hybrid model against two baselines: a fine-tuned API-based LLM and a standalone grammar-driven NLU model. Using the Human Robot Interaction Corpus (HuRIC) dataset, we demonstrate that the hybrid approach achieves superior command validity, which promotes safer and more effective industrial human-robot collaboration.
• Abstract（参考訳）: 産業環境での人間とロボットのコラボレーションは、運用効率を高めるために正確で信頼性の高いコミュニケーションを必要とする。 LLM(Large Language Models)は汎用言語を理解するが、安全で実行可能な産業コマンドに必要なドメイン固有の剛性を欠くことが多い。 このギャップに対処するために,ロボット工学において必要となる会話の柔軟性と決定論的精度の両方を実現するために,文法駆動自然言語理解(NLU)システムと微調整LLMを統合した,文法制約付きLLMを提案する。 我々の手法は2段階のプロセスを用いる。 まず、微調整 LLM を用いて、自然言語入力に対する高レベルな文脈推論とパラメータ推論を行う。 第二に、構造化言語モデル (Structured Language Model, SLM) と文法ベースの正準化器 (canonicalizer) はLLMの出力を制約し、有効なアクションフレームとコマンド要素からなる標準化されたシンボル形式に強制する。 このプロセスは、生成されたコマンドがロボット可読JSONフォーマットで有効で構造化されることを保証する。 提案モデルの主な特徴は、検証とフィードバックのループである。 文法解析器は、予め定義された実行可能なロボット動作のリストに対して出力を検証する。 コマンドが無効の場合、システムは自動的に修正プロンプトを生成し、LLMを再入力する。 この反復的な自己補正機構により、モデルが初期解釈エラーから回復し、システムの堅牢性を改善することができる。 文法制約付きハイブリッドモデルを2つのベースライン – 微調整型APIベースLLMとスタンドアロン型文法駆動型NLUモデル – に対して評価する。 HuRIC(Human Robot Interaction Corpus)データセットを用いて、ハイブリットアプローチは、より安全で効果的な産業ロボットの協調を促進する優れたコマンド妥当性を実現することを実証した。

関連論文リスト

• An LLM-powered Natural-to-Robotic Language Translation Framework with Correctness Guarantees [40.31829665216206]
  大規模言語モデル(LLM)は、特定のユーザタスクのためのロボット制御プログラムを生成するために、ロボット工学にますます導入されている。 本稿では,生成した制御プログラムの正当性検証を行う自然言語翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T14:32:49Z)
• TASTE: Text-Aligned Speech Tokenization and Embedding for Spoken Language Modeling [46.60911294356232]
  本稿では,テキスト適応型音声トークン化と埋め込み(TASTE)を導入し,トークン化段階における音声トークンと対応するテキストの書き起こしを一致させる。 我々は広範囲な実験を行い、TASTEはトークン列の長さを劇的に減らしながら重要なパラ言語情報を保持することができることを示す。 実験の結果,TASTEを用いたSLMはSALMONやStoryClozeに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2025-04-09T17:14:33Z)
• $\texttt{SEM-CTRL}$: Semantically Controlled Decoding [53.86639808659575]
  $texttSEM-CTRL$は、LLMデコーダに直接、リッチなコンテキスト依存制約とタスクおよびインスタンス固有のセマンティクスを強制する統一的なアプローチである。 texttSEM-CTRL$は、小さな訓練済みのLLMがより大きな変種や最先端の推論モデルよりも効率的に性能を向上することを可能にする。
  論文  参考訳（メタデータ） (2025-03-03T18:33:46Z)
• Using Grammar Masking to Ensure Syntactic Validity in LLM-based Modeling Tasks [0.996023506058745]
  文法マスキング(Grammar masking)は、与えられた文脈自由文法に対して構文的に正しいモデルを生成するための大きな言語モデルを導くために用いられる。 文法マスキングは,複数の言語モデルのモデリング能力を劇的に向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-07-08T17:19:59Z)
• Verbalized Machine Learning: Revisiting Machine Learning with Language Models [63.10391314749408]
  言語化機械学習(VML)の枠組みを紹介する。 VMLはパラメータ空間を人間の解釈可能な自然言語に制限する。 我々は,VMLの有効性を実証的に検証し,VMLがより強力な解釈可能性を実現するためのステップストーンとして機能することを期待する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:56Z)
• DECIDER: A Dual-System Rule-Controllable Decoding Framework for Language Generation [57.07295906718989]
  制約付き復号法は,事前訓練された大言語(Ms と PLMs)が生成するテキストの意味やスタイルを,推論時に様々なタスクに対して制御することを目的としている。 これらの方法は、しばしば、欲求的かつ明示的にターゲットを選択することによって、もっともらしい連続を導く。 認知二重プロセス理論に着想を得て,新しい復号化フレームワークDECDERを提案する。
  論文  参考訳（メタデータ） (2024-03-04T11:49:08Z)
• Coupling Large Language Models with Logic Programming for Robust and General Reasoning from Text [5.532477732693001]
  大規模言語モデルは, 意味論的に非常に効果的な数ショットとして機能することを示す。 自然言語文を論理形式に変換し、応答集合プログラムの入力として機能する。 本手法は,bAbI, StepGame, CLUTRR, gSCAN など,いくつかのベンチマークにおいて最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-07-15T03:29:59Z)

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。