論文の概要: Hybrid LLM-based Intelligent Framework for Robot Task Scheduling

• arxiv url: http://arxiv.org/abs/2605.15486v1
• Date: Fri, 15 May 2026 00:04:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 17:44:16.285949
• Title: Hybrid LLM-based Intelligent Framework for Robot Task Scheduling
• Title（参考訳）: ロボットタスクスケジューリングのためのハイブリッドLLMベースのインテリジェントフレームワーク
• Authors: Swayamjit Saha, Subhabrata Das, Haonan Duan, Xiao-Yang Liu,
• Abstract要約: 本研究では,建設ロボットのタスクスケジューリングを改善するために,LLM(Large Language Models)を用いたインテリジェントフレームワークを提案する。 時間効率と資源利用の両面を最適化したバランスの取れた割当戦略が開発されている。
• 参考スコア（独自算出の注目度）: 6.227803171257308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study introduces intelligent frameworks that use Large Language Models (LLMs) to improve task scheduling for construction robots. The LLM is fed with key data about the desired task, such as agent action abilities, and the desired end goal to be achieved. A well-balanced allocation strategy is developed, optimizing both time efficiency and resource utilization. Our system utilizes a Natural Language Processing interface to streamline communication with construction professionals and adapt in real-time to unexpected site conditions. We concurrently use two LLM agents, specifically generator (GPT-4) and supervisor (Gemma 3/Llama 4/Mistral 7b) LLM agents to provide a more precise task schedule. We evaluate the proposed methodology using a straightforward scenario and provide metric scores to prove the efficacy of the frameworks. Our results highlight that the implementation of LLMs is crucial in construction operational tasks including robots.
• Abstract（参考訳）: 本研究では,建設ロボットのタスクスケジューリングを改善するために,LLM(Large Language Models)を用いたインテリジェントフレームワークを提案する。 LLMには、エージェントアクション能力や達成すべき目的など、所望のタスクに関する重要なデータが供給される。 時間効率と資源利用の両面を最適化したバランスの取れた割当戦略が開発されている。 本システムは自然言語処理インタフェースを用いて,建設専門家とのコミュニケーションを効率化し,予期せぬ現場条件にリアルタイムで適応する。 我々は2つのLLMエージェント、特にジェネレータ(GPT-4)とスーパーバイザ(Gemma 3/Llama 4/Mistral 7b)を同時に使用し、より正確なタスクスケジュールを提供する。 提案手法を,簡単なシナリオを用いて評価し,フレームワークの有効性を証明するためのメトリクススコアを提供する。 この結果から,LLMの実装はロボットを含む建設作業に不可欠であることが示唆された。

関連論文リスト

• HELP: Hierarchical Embodied Language Planner for Household Tasks [75.38606213726906]
  複雑なシナリオを扱うエージェントは、堅牢な計画能力に大きく依存する。 広範な言語知識を備えた大規模言語モデルは、この役割を果たすことができる。 LLMをベースとした一組のエージェントからなる階層型エンボディード言語プランナーHELPを提案する。
  論文  参考訳（メタデータ） (2025-12-25T15:54:08Z)
• Phase-Adaptive LLM Framework with Multi-Stage Validation for Construction Robot Task Allocation: A Systematic Benchmark Against Traditional Optimization Algorithms [0.0]
  本稿では,LangGraphベースのタスク割り当てエージェント(LTAA)を紹介する。 LTAAは、位相適応型アロケーション戦略、階層型リトライによる多段階検証、効率的なロボット協調のための動的プロンプトを統合している。 LTAAはトークンの使用量を94.6%削減し、割り当て時間を86%短縮する。
  論文  参考訳（メタデータ） (2025-12-02T14:23:36Z)
• Empowering LLMs with Parameterized Skills for Adversarial Long-Horizon Planning [9.816590717992012]
  私たちは言語を伴う計画を紹介します。 PLAPフレームワーク。 ロングホライゾン環境におけるLLM。 我々は,長距離リアルタイム戦略ゲームであるMicroRTSにPLAPを実装した。
  論文  参考訳（メタデータ） (2025-09-16T14:36:30Z)
• 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)
• LLM+MAP: Bimanual Robot Task Planning using Large Language Models and Planning Domain Definition Language [17.914580097058106]
  両手間の空間的・時間的調整が複雑になるため、両手操作は固有の課題となる。 既存の作業は主に、ロボットハンドのための人間レベルの操作スキルの獲得に重点を置いているが、長い時間軸でのタスクプランニングにはほとんど関心が払われていない。 本稿では,LLM推論とマルチエージェント計画を統合した双方向計画フレームワークであるLLM+MAPを紹介する。
  論文  参考訳（メタデータ） (2025-03-21T17:04:01Z)
• A Temporal Planning Framework for Multi-Agent Systems via LLM-Aided Knowledge Base Management [5.548477348501636]
  本稿では,大規模言語モデル(LLM)とPrologベースの知識管理とマルチロボットタスクの計画を統合したPLANTORという新しいフレームワークを提案する。 その結果,LLMは人間からのフィードバックの少ない正確な知識ベースを生成でき,Prologは形式的正当性と説明可能性を保証することがわかった。 このアプローチは、柔軟でスケーラブルで人間に理解可能な計画を必要とする高度なロボティクスタスクのためのLLM統合の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-26T13:51:28Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• 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)
• TaskBench: Benchmarking Large Language Models for Task Automation [82.2932794189585]
  タスク自動化における大規模言語モデル(LLM)の機能を評価するためのフレームワークであるTaskBenchを紹介する。 具体的には、タスクの分解、ツールの選択、パラメータ予測を評価する。 提案手法は, 自動構築と厳密な人的検証を組み合わせることで, 人的評価との整合性を確保する。
  論文  参考訳（メタデータ） (2023-11-30T18:02:44Z)

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。