論文の概要: An LLM-Driven Closed-Loop Autonomous Learning Framework for Robots Facing Uncovered Tasks in Open Environments

• arxiv url: http://arxiv.org/abs/2604.22199v1
• Date: Fri, 24 Apr 2026 04:09:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.336254
• Title: An LLM-Driven Closed-Loop Autonomous Learning Framework for Robots Facing Uncovered Tasks in Open Environments
• Title（参考訳）: オープン環境におけるロボットのLLM駆動型クローズドループ自律学習フレームワーク
• Authors: Hong Su,
• Abstract要約: オープン環境における未発見タスクに直面するロボットのための自律学習フレームワークを提案する。 提案するフレームワークは,実行時と観測時の両方の経験を再利用可能な局所的能力に変換する。 その結果,提案フレームワークは繰り返しタスクの自己実行と観測駆動設定の両方において実行時間とLCM依存性を減少させることがわかった。
• 参考スコア（独自算出の注目度）: 0.11844977816228043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous robots operating in open environments need the ability to continuously handle tasks that are not covered by predefined local methods. However, existing approaches often rely on repeated large-language-model (LLM) interaction for uncovered tasks, and even successful executions or observed successful external behaviors are not always autonomously transformed into reusable local knowledge. In this paper, we propose an LLM-driven closed-loop autonomous learning framework for robots facing uncovered tasks in open environments. The proposed framework first retrieves the local method library to determine whether a reusable solution already exists for the current task or observed event. If no suitable method is found, it triggers an autonomous learning process in which the LLM serves as a high-level reasoning component for task analysis, candidate model selection, data collection planning, and execution or observation strategy organization. The robot then learns from both self-execution and active observation, performs quasi-real-time training and adjustment, and consolidates the validated result into the local method library for future reuse. Through this recurring closed-loop process, the robot gradually converts both execution-derived and observation-derived experience into reusable local capability while reducing future dependence on repeated external LLM interaction. Results show that the proposed framework reduces execution time and LLM dependence in both repeated-task self-execution and observation-driven settings, for example reducing the average total execution time from 7.7772s to 6.7779s and the average number of LLM calls per task from 1.0 to 0.2 in the repeated-task self-execution experiments.
• Abstract（参考訳）: オープン環境で動く自律ロボットは、事前に定義されたローカルメソッドでカバーされていないタスクを継続的に処理する能力を必要としている。 しかし、既存のアプローチは、しばしば未発見のタスクに対して、繰り返し大きな言語モデル(LLM)の相互作用に依存しており、成功した実行や成功した外部動作さえも、必ずしも再利用可能なローカル知識に自律的に変換されるとは限らない。 本論文では,オープン環境における未発見タスクに直面するロボットを対象としたLLM駆動のクローズドループ自律学習フレームワークを提案する。 提案フレームワークは、まずローカルメソッドライブラリを取得し、現在のタスクや観測されたイベントに対して、再利用可能なソリューションが存在するかどうかを判断する。 適切な方法が見つからない場合、LLMがタスク分析、候補モデル選択、データ収集計画、実行または監視戦略組織のための高レベルな推論コンポーネントとして機能する自律的な学習プロセスがトリガーされる。 ロボットは、自己実行とアクティブな観察の両方から学び、準リアルタイムのトレーニングと調整を行い、検証結果を将来の再利用のためにローカルメソッドライブラリに統合する。 この繰り返しクローズドループプロセスを通じて、ロボットは、実行から派生した経験と観測から派生した経験を、徐々に再利用可能なローカルな能力に変換し、また、反復的な外部LCM相互作用への将来の依存を低減させる。 提案手法は,繰り返しタスクの自己実行と観察駆動の両方で実行時間とLCM依存性を減少させることを示す。例えば,繰り返しタスクの自己実行実験において,平均実行時間を7.7772sから6.7779sに減らし,タスク毎のLCM呼び出し回数を1.0から0.2に減らした。

関連論文リスト

• Decentralized Intent-Based Multi-Robot Task Planner with LLM Oracles on Hyperledger Fabric [0.0]
  大規模言語モデル(LLM)は、自然言語のユーザ意図を実行可能なアクションに変換する新たな機会を開いた。 ロボット作業計画のための新しい集約手法を用いたLLMオラクルを提案する。 提案するインフラストラクチャにより,自然言語の意図をシステムに表現し,サブタスクに分解することができる。
  論文  参考訳（メタデータ） (2026-02-09T09:26:32Z)
• Agentic Reinforced Policy Optimization [66.96989268893932]
  検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。 現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。 エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
  論文  参考訳（メタデータ） (2025-07-26T07:53:11Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• Exploring GPT-4 for Robotic Agent Strategy with Real-Time State Feedback and a Reactive Behaviour Framework [0.0]
  我々は,新しい大規模言語モデル(LLM)駆動行動法の概念実証として,ヒューマノイドロボットと実世界におけるGPT-4の利用について検討する。 問題は、LLMに目標を与え、LLMはその目標を達成するためにサブタスクを出力することである。 本稿では,安全性,タスク間の遷移,タスクの時間的地平線,状態フィードバックに関する現実的な懸念に対処する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T21:53:28Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• 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)
• Don't Start From Scratch: Leveraging Prior Data to Automate Robotic Reinforcement Learning [70.70104870417784]
  強化学習(RL)アルゴリズムは、ロボットシステムの自律的なスキル獲得を可能にするという約束を持っている。 現実のロボットRLは、通常、環境をリセットするためにデータ収集と頻繁な人間の介入を必要とする。 本研究では,従来のタスクから収集した多様なオフラインデータセットを効果的に活用することで,これらの課題にどのように対処できるかを検討する。
  論文  参考訳（メタデータ） (2022-07-11T08:31:22Z)
• Self-Imitation Learning by Planning [3.996275177789895]
  模擬学習(IL)により、熟練の知識を伝達することで、ロボットがスキルを素早く習得できます。 長期移動計画タスクでは、ILおよびRLメソッドのデプロイにおける課題は、大規模で広範囲に分散したデータの生成と収集方法である。 本研究では,現在の方針から訪問状態の計画により,実演データを自動収集する自己模倣学習(silp)を提案する。 SILPは、早期強化学習の段階で正常に訪問された状態がグラフ検索ベースのモーションプランナーの衝突のないノードであることに触発されます。
  論文  参考訳（メタデータ） (2021-03-25T13:28:38Z)
• Scalable Multi-Task Imitation Learning with Autonomous Improvement [159.9406205002599]
  我々は、自律的なデータ収集を通じて継続的に改善できる模倣学習システムを構築している。 我々は、ロボット自身の試行を、実際に試みたタスク以外のタスクのデモとして活用する。 従来の模倣学習のアプローチとは対照的に,本手法は,継続的改善のための疎い監視によるデータ収集を自律的に行うことができる。
  論文  参考訳（メタデータ） (2020-02-25T18:56:42Z)

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。