論文の概要: ModuLoop : Low-Level Code Generation using Modular Synthesizer and Closed-Loop Debugger for Robotic Control

• arxiv url: http://arxiv.org/abs/2606.03047v1
• Date: Tue, 02 Jun 2026 02:30:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.699578
• Title: ModuLoop : Low-Level Code Generation using Modular Synthesizer and Closed-Loop Debugger for Robotic Control
• Title（参考訳）: ModuLoop : ロボット制御のためのモジュール合成器とクローズドループデバッガを用いた低レベルコード生成
• Authors: Gina Yoon, Sumin Lee, Joo Yong Sim,
• Abstract要約: 大規模言語モデル(LLM)は、コード生成や問題解決など、さまざまな領域で素晴らしいパフォーマンスを示している。 クローズドループモジュール型コード合成フレームワークを提案する。 このフレームワークは、タスク固有の微調整なしで事前訓練されたLLMを利用して、モジュール化されたコード計画と生成を実行する。 提案手法をRGB-Dカメラとロボットアームの校正に適用し,実環境における有効性を検証した。
• 参考スコア（独自算出の注目度）: 5.438998395090549
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have demonstrated impressive performance across various domains, including code generation and problem solving. However, their application in robotic control, particularly in low-level tasks that require precise manipulation, real-time feedback, and environment-dependent execution, remains limited. To address this challenge, we propose the Closed-Loop Modular Code Synthesizer framework. This framework leverages a pre-trained LLM without any task-specific fine-tuning to perform modular code planning and generation, and iteratively executes the generated code while inserting debugging probes to observe its behavior. This closed-loop structure facilitates systematic debugging and refinement, ultimately producing executable control programs. We apply the proposed framework to the calibration of an RGB-D camera and a robotic arm, validating its effectiveness in real-world settings. Furthermore, through a subsequent pick-and-place task, we demonstrate not only the accuracy of the calibration but also the potential extensibility of the framework. Across both tasks, the framework achieved high execution accuracy and autonomy, illustrating the practicality and scalability of LLM-based robotic control using our framework.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、コード生成や問題解決など、さまざまな領域で素晴らしいパフォーマンスを示している。 しかしながら、ロボット制御への応用、特に精密な操作、リアルタイムフィードバック、環境に依存した実行を必要とする低レベルのタスクは、依然として限定的である。 この課題に対処するため、我々はClosed-Loop Modular Code Synthesizerフレームワークを提案する。 このフレームワークは、タスク固有の微調整なしで事前訓練されたLLMを利用して、モジュラーコード計画と生成を実行し、デバッグプローブを挿入してその振る舞いを観察しながら、生成したコードを反復的に実行します。 このクローズドループ構造は、体系的なデバッグと改善を容易にし、最終的に実行可能な制御プログラムを生成する。 提案手法をRGB-Dカメラとロボットアームの校正に適用し,実環境における有効性を検証した。 さらに、その後のピック・アンド・プレイス・タスクを通じて、キャリブレーションの精度だけでなく、フレームワークの潜在的拡張性も示す。 両タスクにおいて,本フレームワークは高い実行精度と自律性を達成し,LLMベースのロボット制御の実用性と拡張性を示した。

関連論文リスト

• Threading Optimization for Vision-Language-Action Model Inference in Low-Cost Smart Agricultural Manipulation [9.383033161646255]
  これらのボトルネックに対処するためにRTAC(Real-Time Action Chunking)が提案されている。 本稿では,低コストなロボット操作システムに適したRTACのシステムレベル実装について述べる。
  論文  参考訳（メタデータ） (2026-05-31T02:49:50Z)
• Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
  実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。 NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
  論文  参考訳（メタデータ） (2026-04-01T03:39:11Z)
• EasySteer: A Unified Framework for High-Performance and Extensible LLM Steering [55.56674028743782]
  大規模言語モデル(LLM)のステアリングは、推論時にモデル動作を制御するための有望なパラダイムとして登場した。 我々は,vLLM上に構築された高性能LLMステアリングのための統合フレームワークであるEasySteerを提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:59:07Z)
• 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)
• ToolCoder: A Systematic Code-Empowered Tool Learning Framework for Large Language Models [81.12673534903979]
  ツール学習は、大規模な言語モデル(LLM)にとって、外部ツールとのインタラクションを通じて、複雑な現実世界のタスクを解決する重要な機能として登場した。 本稿では,ツール学習をコード生成タスクとして再編成する新しいフレームワークであるToolCoderを提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:42:28Z)
• DeeR-VLA: Dynamic Inference of Multimodal Large Language Models for Efficient Robot Execution [114.61347672265076]
  実世界のロボットのためのMLLMの開発は、ロボットプラットフォームで利用可能な計算能力とメモリ容量が典型的に限られているため、難しい。 活性化MLLMのサイズを自動的に調整するロボットビジョンランゲージ・アクション・モデル(DeeR)の動的早期実行フレームワークを提案する。 DeeR は LLM の計算コストを 5.2-6.5x に削減し、GPU のメモリを 2-6x に削減した。
  論文  参考訳（メタデータ） (2024-11-04T18:26:08Z)
• MCCoder: Streamlining Motion Control with LLM-Assisted Code Generation and Rigorous Verification [15.438969500630677]
  大規模言語モデル(LLM)はコード生成において大きな可能性を証明している。 現在のAI支援モーションコントロールプログラミングの取り組みは、高レベル言語や関数ライブラリにはほとんど関心を示さず、PLCに重点を置いている。 動作制御コードを生成するためのLCMシステムであるMCCoderをソフトモーションコントローラと統合した。
  論文  参考訳（メタデータ） (2024-10-19T16:46:21Z)
• Robo-Instruct: Simulator-Augmented Instruction Alignment For Finetuning Code LLMs [34.16234805577773]
  プログラム実行中にタスク固有のシミュレーション環境をオンザフライで合成するROBO-INSTRUCTを提案する。 ROBO-INSTRUCT は LLM に支援された後処理の手順を統合し,ロボットプログラムとの整合性を向上する。
  論文  参考訳（メタデータ） (2024-05-30T15:47:54Z)
• Interactive Character Control with Auto-Regressive Motion Diffusion Models [18.727066177880708]
  リアルタイム動作合成のためのA-MDM(Auto-Regressive Motion Diffusion Model)を提案する。 我々の条件拡散モデルは初期ポーズを入力とし、前者のフレームに条件付けられた連続した動きフレームを自動回帰的に生成する。 本稿では,タスク指向サンプリング,インペインティング,階層的強化学習など,対話型制御をA-MDMに組み込む一連の手法を紹介する。
  論文  参考訳（メタデータ） (2023-06-01T07:48:34Z)

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。