論文の概要: Agentic Neuro-Symbolic Planning and Commissioning for Human-in-the-Loop Industrial Robotics with Digital Twins

• arxiv url: http://arxiv.org/abs/2606.08214v1
• Date: Sat, 06 Jun 2026 14:57:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.977409
• Title: Agentic Neuro-Symbolic Planning and Commissioning for Human-in-the-Loop Industrial Robotics with Digital Twins
• Title（参考訳）: デジタル双生児によるロボットのエージェント型神経回路計画とコミッショニング
• Authors: Zhihao Liu, Victor Nan Fernandez-Ayala, Tianyu Wang, Qiang Qin, Xi Vincent Wang, Dimos V. Dimarogonas, Lihui Wang,
• Abstract要約: 本稿では,ヒト・イン・ザ・ループ産業ロボットのためのエージェント型ニューロシンボリック・フレームワークを提案する。 このフレームワークは、産業ロボットのためのPlanner-Designer-Inspectorアーキテクチャと、障害復旧のためのLangGraphベースの動的ルーティングを併用する。 Unity3Dデジタルツインは、物理的実行前に人間の検査、修正、再検証をサポートする。
• 参考スコア（独自算出の注目度）: 19.26486350787024
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Flexible robotic automation requires systems that interpret operator intent, verify physical feasibility, and recover from execution failures across both the planning and execution stages. This paper proposes an agentic neuro-symbolic framework for human-in-the-loop industrial robotics, in which LLMs are used for tasks that require language understanding or contextual reasoning, while all verification, sequencing, and execution remain deterministic. The framework adapts the Planner-Generator-Evaluator (PGE) harness pattern from software engineering into a Specifier-Designer-Inspector (SDI) architecture for industrial robotics, combined with LangGraph-based dynamic routing for failure recovery. A two-tier recovery mechanism addresses structure-level replanning through context-aware orchestration and execution-level geometric failures through deterministic recovery skills. A Unity3D digital twin supports human inspection, modification, and re-verification prior to physical execution. Evaluated on natural-language commands across multiple difficulty levels against ten baselines, the proposed method achieves the highest task success. Ablation results confirm that structured command expansion, symbolic verification, selective LLM routing, and recovery skills are each individually necessary.
• Abstract（参考訳）: フレキシブルなロボット自動化は、オペレータの意図を解釈し、物理的な実現可能性を確認し、計画と実行段階の両方にわたる実行障害から回復するシステムを必要とする。 本稿では,LLMを言語理解や文脈推論を必要とするタスクに用いながら,検証,シークエンシング,実行はすべて決定論的に行う,人型産業用ロボットのためのエージェント型ニューロシンボリックフレームワークを提案する。 このフレームワークは、ソフトウェア工学からのパターンを利用したPGE(Planner-Generator-Evaluator)を産業ロボットのためのSpecifier-Designer-Inspector (SDI)アーキテクチャに適応させ、ランググラフベースの動的ルーティングと組み合わせて障害復旧を行う。 2層リカバリメカニズムは、コンテキスト対応オーケストレーションと決定論的リカバリスキルによる実行レベルの幾何学的障害による構造レベルのリプランニングに対処する。 Unity3Dデジタルツインは、物理的実行前に人間の検査、修正、再検証をサポートする。 提案手法は,10基準に対して複数の難易度にまたがる自然言語コマンドの評価を行い,最も高いタスク成功を実現する。 アブレーションの結果、構造化されたコマンド展開、シンボリック検証、選択的LLMルーティング、リカバリスキルがそれぞれ個別に必要であることが確認された。

関連論文リスト

• The End of Software Engineering: How AI Agents Are Fundamentally Restructuring the Software Paradigm [0.0]
  AIエージェントの出現は、漸進的な改善ではなく、ソフトウェアパラダイムの根本的な再構築である、と我々は主張する。 私たちはエージェントエンジニアリングという概念を創発的な規律として紹介します -- 学習、制御モデル、人間の役割という中核的な目的において、ソフトウェアエンジニアリングとは別のものです。 セルフ進化エージェントエコシステムに向けた4段階のロードマップで締めくくります。
  論文  参考訳（メタデータ） (2026-06-04T02:30:06Z)
• VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
  本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。 VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。 Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
  論文  参考訳（メタデータ） (2026-06-03T20:02:35Z)
• From Reaction to Anticipation: Proactive Failure Recovery through Agentic Task Graph for Robotic Manipulation [45.37258918150899]
  本稿では,操作タスクを有向タスクグラフとしてモデル化するエージェントシステムであるAgentChordを紹介する。 実行前に、このグラフには、コンテキスト対応の修正動作を指定する予測リカバリブランチが組み込まれている。 多様な長距離双方向操作タスクに関する実証研究は、AgentChordが成功率と実行効率を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2026-05-12T11:00:45Z)
• 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)
• RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
  ロボットのためのロバスト自動データ取得(RADAR)について紹介する。 RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。 シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-12T11:18:52Z)
• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• 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)
• RoboCerebra: A Large-scale Benchmark for Long-horizon Robotic Manipulation Evaluation [59.9896841079005]
  長距離ロボット操作における高レベル推論評価のためのベンチマークであるRoboCerebraを紹介する。 データセットはトップダウンパイプラインを通じて構築され、GPTはタスク命令を生成し、それらをサブタスクシーケンスに分解する。 以前のベンチマークと比較すると、RoboCerebraはアクションシーケンスが大幅に長く、アノテーションがより密度が高い。
  論文  参考訳（メタデータ） (2025-06-07T06:15:49Z)
• 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)

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。