論文の概要: Say the Mission, Execute the Swarm: Agent-Enhanced LLM Reasoning in the Web-of-Drones

• arxiv url: http://arxiv.org/abs/2605.03788v1
• Date: Tue, 05 May 2026 14:14:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.965749
• Title: Say the Mission, Execute the Swarm: Agent-Enhanced LLM Reasoning in the Web-of-Drones
• Title（参考訳）: Swarmのミッション:ウェブ・オブ・ドロンにおけるエージェント強化LDM推論
• Authors: Andrea Iannoli, Lorenzo Gigli, Luca Sciullo, Angelo Trotta, Marco Di Felice,
• Abstract要約: 本稿では,UAVスワム制御のためのミッション非依存,エージェント強化LLMフレームワークを提案する。 提案アーキテクチャはLLMベースのエージェントコアとModel Context ProtocolゲートウェイとWeb-of-Drones抽象化を組み合わせたものだ。 我々は,ArduPilotをベースとした4つのSwarmミッションと6つの最先端LCMのシミュレーションによるフレームワークの評価を行った。
• 参考スコア（独自算出の注目度）: 0.8492672431361252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) are increasingly explored as high-level reasoning engines for cyber-physical systems, yet their application to real-time UAV swarm management remains challenging due to heterogeneous interfaces, limited grounding, and the need for long-running closed-loop execution. This paper presents a mission-agnostic, agent-enhanced LLM framework for UAV swarm control, where users express mission objectives in natural language and the system autonomously executes them through grounded, real-time interactions. The proposed architecture combines an LLM-based Agent Core with a Model Context Protocol (MCP) gateway and a Web-of-Drones abstraction based on W3C Web of Things (WoT) standards. By exposing drones, sensors, and services as standardized WoT Things, the framework enables structured tool-based interaction, continuous state observation, and safe actuation without relying on code generation. We evaluate the framework using ArduPilot-based simulation across four swarm missions and six state-of-the-art LLMs. Results show that, despite strong reasoning abilities, current general-purpose LLMs still struggle to achieve reliable execution - even for simple swarm tasks - when operating without explicit grounding and execution support. Task-specific planning tools and runtime guardrails substantially improve robustness, while token consumption alone is not indicative of execution quality or reliability.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、サイバー物理システムの高レベル推論エンジンとして研究されているが、不均一なインタフェース、限られた接地、長時間のクローズドループ実行の必要性により、リアルタイムUAVスワム管理への応用は依然として困難である。 本稿では,UAVスワム制御のためのミッションに依存しないエージェント強化LLMフレームワークを提案する。 提案アーキテクチャは,LLMベースのエージェントコアとモデルコンテキストプロトコル(MCP)ゲートウェイと,W3C Web of Things(WoT)標準に基づいたWeb-of-Drones抽象化を組み合わせたものだ。 標準化されたWoT Thingsとしてドローン、センサー、サービスを公開することにより、コード生成に頼ることなく、構造化されたツールベースのインタラクション、継続的な状態観察、安全なアクティベーションが可能になる。 我々は,ArduPilotをベースとした4つのSwarmミッションと6つの最先端LCMのシミュレーションによるフレームワークの評価を行った。 結果は、強い推論能力にもかかわらず、現在の汎用LLMは、明示的なグラウンドと実行サポートなしで運用する場合、(単純なSwarmタスクであっても)信頼できる実行を達成するのに依然として苦労していることを示している。 タスク固有の計画ツールとランタイムガードレールは、堅牢性を大幅に改善しますが、トークンの使用だけでは、実行品質や信頼性を示すものではありません。

関連論文リスト

• ROSClaw: A Hierarchical Semantic-Physical Framework for Heterogeneous Multi-Agent Collaboration [9.434833852972353]
  ROSClawは、統一視覚言語モデル(VLM)コントローラにポリシー学習とタスク実行を統合する異種ロボットのためのエージェントフレームワークである。 自律的なクローズループフレームワークを確立することにより、ROSClawはロボット固有の開発への依存を最小限に抑える。
  論文  参考訳（メタデータ） (2026-04-06T13:16:24Z)
• Heterogeneous Robot Collaboration in Unstructured Environments with Grounded Generative Intelligence [54.91177026001217]
  大規模言語モデル(LLM)対応のチーム化手法は、よく構造化された既知の環境を前提とするのが一般的である。 異種ロボットチームにおけるLCMの推論能力を基盤として,これらの制約に対処するフレームワークであるSPINE-HTを提案する。 我々のフレームワークは、従来のLLM対応の不均一なチームリング手法と比較して、ほぼ2倍の成功率を達成する。
  論文  参考訳（メタデータ） (2025-10-30T18:24:38Z)
• Grounded in Reality: Learning and Deploying Proactive LLM from Offline Logs [72.08224879435762]
  textttLearn-to-Askは、プロアクティブな対話エージェントの学習とデプロイのためのシミュレータフリーフレームワークである。 当社のアプローチは,LLMの大規模オンラインAIサービスへの展開を成功に導くものです。
  論文  参考訳（メタデータ） (2025-10-29T12:08:07Z)
• PhysiAgent: An Embodied Agent Framework in Physical World [33.821400205384144]
  VLA(Vision-Language-Action)モデルは顕著な成功を収めたが、しばしば限定的な一般化に苦戦している。 現在のアプローチはしばしばこれらのモデルを厳密でシーケンシャルな構造に組み合わせる。 本研究では,物理環境において効果的に動作するように調整された物理エージェントフレームワークであるPhysorAgentを提案する。
  論文  参考訳（メタデータ） (2025-09-29T09:39:32Z)
• VerifyLLM: LLM-Based Pre-Execution Task Plan Verification for Robots [44.99833362998488]
  本研究では,シミュレータや実環境で実行する前に,タスクプランを自動的に検証するアーキテクチャを提案する。 このモジュールは、Large Language Modelsの推論機能を使用して、論理的一貫性を評価し、計画の潜在的なギャップを特定する。 我々は,タスク計画の信頼性と効率の向上に寄与し,自律システムにおける堅牢な事前実行検証の必要性に対処する。
  論文  参考訳（メタデータ） (2025-07-07T15:31:36Z)
• State and Memory is All You Need for Robust and Reliable AI Agents [29.259008600842517]
  大規模言語モデル(LLM)は、自然言語の理解と生成において強力な進歩を実現している。 しかし、複雑な現実世界の科学への応用は、記憶、計画、ツール統合の課題によって制限されている。 本稿では、LLMベースのエージェントが自律的に計画し、推論し、堅牢で信頼性の高いドメイン固有タスク実行を実現することができるモジュール型エージェントフレームワークであるSciBORGを紹介する。
  論文  参考訳（メタデータ） (2025-06-30T02:02:35Z)
• DRIFT: Dynamic Rule-Based Defense with Injection Isolation for Securing LLM Agents [52.92354372596197]
  大規模言語モデル(LLM)は、強力な推論と計画能力のため、エージェントシステムの中心となってきています。 この相互作用は、外部ソースからの悪意のある入力がエージェントの振る舞いを誤解させる可能性がある、インジェクション攻撃のリスクも引き起こす。 本稿では,信頼に値するエージェントシステムのための動的ルールベースの分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-13T05:01:09Z)
• REMAC: Self-Reflective and Self-Evolving Multi-Agent Collaboration for Long-Horizon Robot Manipulation [57.628771707989166]
  本稿では,ReMACと呼ばれる適応型マルチエージェント計画フレームワークを提案する。 ReMACには2つの重要なモジュールが組み込まれており、ループ内で事前条件と後条件チェックを実行し、進捗と計画の洗練を評価する。
  論文  参考訳（メタデータ） (2025-03-28T03:51:40Z)
• General-Purpose Aerial Intelligent Agents Empowered by Large Language Models [9.603293922137965]
  本稿では,オープンワールドタスク実行が可能な,初の航空知的エージェントを提案する。 私たちのハードウェアとソフトウェアの共同設計システムは、2つの基本的な制限に対処します。 本システムは,コミュニケーション制約のある環境におけるタスク計画とシーン理解の信頼性を示す。
  論文  参考訳（メタデータ） (2025-03-11T11:13:58Z)
• 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。