論文の概要: DynaHMRC: Decentralized Heterogeneous Multi-Robot Collaboration for Dynamic Tasks with Large Language Models

• arxiv url: http://arxiv.org/abs/2606.14882v1
• Date: Fri, 12 Jun 2026 18:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.36132
• Title: DynaHMRC: Decentralized Heterogeneous Multi-Robot Collaboration for Dynamic Tasks with Large Language Models
• Title（参考訳）: DynaHMRC:大規模言語モデルを用いた動的タスクのための分散ヘテロジニアスなマルチロボット協調
• Authors: Wenhao Yu, Yu'ang Xie, Yifan Duan, Jie Peng, Guanting Ye, Ka-Veng Yuen, Yanyong Zhang, Jianmin Ji,
• Abstract要約: 大規模言語モデル(LLM)は、よりリッチなタスク理解と適応性を備えたロボットを提供する。 この可能性にもかかわらず、いくつかの課題は未解決のままである。 本研究では,各ロボットが役割認識型LLMエージェントとして機能する分散フレームワークDynaHMRCを提案する。
• 参考スコア（独自算出の注目度）: 22.32105733545791
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) provide robots with richer task understanding and adaptability, making them promising for coordinating heterogeneous multi-robot systems in long-horizon tasks. Despite this potential, several challenges remain underexplored: (1) Centralized LLM schedulers scale poorly as team size and environmental complexity increase. A single model must process excessive contextual information, and long-context approximation may degrade reasoning quality; (2) Existing task formulations insufficiently consider dynamic settings, while robust adaptation to evolving task conditions is essential for real-world deployment; (3) Domain-specific data scarcity limits specialized robotic reasoning, making proprietary general-purpose models inefficient for expert tasks. To address these limitations, we propose DynaHMRC, a decentralized framework in which each robot acts as a role-aware LLM agent. This design mitigates the single-model context bottleneck and supports flexible collaboration across heterogeneous team configurations. DynaHMRC organizes collaboration as a four-stage closed-loop process: self-description, task allocation with leadership bidding, leader election, and reflective execution, supported by executable robot interfaces. We further develop a benchmark covering three task families, four dynamic variations, and six team configurations to systematically study dynamic task modeling. In addition, we conduct an empirical analysis to guide the construction of domain-specific expert datasets and fine-tune pretrained LLMs to improve specialized competence. Experiments show that DynaHMRC achieves higher success rates than strong baselines with fewer action and communication steps, while demonstrating promising scalability trends as team size grows within the evaluated settings.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ロボットにより豊かなタスク理解と適応性を提供し、長距離タスクにおける異種マルチロボットシステムの調整を約束する。 1) チームサイズや環境の複雑さが増大するにつれて、集中型LCMスケジューラのスケールが低下する。 既存のタスクの定式化は動的設定を十分に考慮していないが,タスク条件への堅牢な適応は現実的な展開には不可欠である。 このような制約に対処するため,各ロボットが役割認識型LLMエージェントとして機能する分散フレームワークDynaHMRCを提案する。 この設計は、単一モデルのコンテキストボトルネックを緩和し、異種チーム構成間の柔軟なコラボレーションをサポートする。 DynaHMRCは、4段階のクローズドループプロセスとしてコラボレーションを組織している。 さらに,3つのタスクファミリ,4つの動的変動,および6つのチーム構成を対象とし,動的タスクモデリングを体系的に研究するベンチマークを開発した。 さらに、ドメイン固有の専門家データセットの構築と、専門能力を向上させるための微調整事前学習 LLM の構築を指導する経験的分析を行う。 実験の結果、DynaHMRCは強力なベースラインよりも高い成功率を達成し、アクションやコミュニケーションのステップが少なくなる一方で、評価された設定内でチームサイズが大きくなるにつれて、有望なスケーラビリティの傾向を示す。

関連論文リスト

• AHD Agent: Agentic Reinforcement Learning for Automatic Heuristic Design [5.7547035595428255]
  AHD(Automatic Design)は、NP-hard最適化問題を解決するための有望なパラダイムとして登場した。 既存のAHDフレームワークは通常、固定されたコンテキスト内で大きな言語モデル(LLM)を受動的ジェネレータとして扱う。 本稿では,新たなツール統合多ターンフレームワークであるAHD Agentを提案する。
  論文  参考訳（メタデータ） (2026-05-09T07:36:45Z)
• RoboAgent: Chaining Basic Capabilities for Embodied Task Planning [46.248451288196435]
  本稿では,エージェントが環境から視覚的観察を取得し,与えられたタスクを達成するためのアトミックアクションを実行する,具体的タスク計画に焦点を当てる。 本稿では,機能駆動型計画パイプラインであるRoboAgentを提案する。 我々は,(1)専門家プランによる行動クローニング,(2)モデルで収集した軌跡を用いたDAggerトレーニング,(3)専門家ポリシーによる強化学習からなる多段階的パラダイムを用いている。
  論文  参考訳（メタデータ） (2026-04-09T04:01:27Z)
• Leveraging Adaptive Group Negotiation for Heterogeneous Multi-Robot Collaboration with Large Language Models [27.286674175117394]
  大規模言語モデル (LLM) は推論と計画において優れており, 協調制御の可能性については検討されていない。 人間のチームワークに触発されて,マルチロボットコラボレーションのためのLLM間の適応型グループネゴシエーションフレームワークであるCLiMRSを提案する。 この結果から,人間にインスパイアされたグループ形成と交渉の原則を活用することにより,異種多ロボット協調の効率が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2025-12-29T14:50:52Z)
• 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)
• 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)
• MALMM: Multi-Agent Large Language Models for Zero-Shot Robotics Manipulation [62.854649499866774]
  大規模言語モデル(LLM)は、ロボティクスの操作やナビゲーションなど、さまざまな領域にまたがる優れた計画能力を示している。 特殊なLLMエージェント間で高レベル計画および低レベル制御コード生成を分散する新しいマルチエージェントLLMフレームワークを提案する。 長軸タスクを含む9つのRLBenchタスクに対するアプローチを評価し、ゼロショット環境でロボット操作を解く能力を実証した。
  論文  参考訳（メタデータ） (2024-11-26T17:53:44Z)
• Large Language Models for Orchestrating Bimanual Robots [19.60907949776435]
  本稿では,Language-based Bimanual Orchestration (LABOR)を提案する。 NICOLヒューマノイドロボットを用いた2種類の長距離作業のシミュレーション実験により,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-04-02T15:08:35Z)
• 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)
• A Unified Architecture for Dynamic Role Allocation and Collaborative Task Planning in Mixed Human-Robot Teams [0.0]
  任意のサイズの混合ロボットチームにおいて,動的役割割り当てと協調作業計画のための新しいアーキテクチャを提案する。 このアーキテクチャは、動作木(BT)に基づく集中型リアクティブかつモジュール型タスク非依存の計画手法を基盤としている。 MILPコストとして使用されるさまざまなメトリクスにより、アーキテクチャはコラボレーションの様々な側面を好むことができる。
  論文  参考訳（メタデータ） (2023-01-19T12:30:56Z)

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。