論文の概要: As You Wish: Mission Planning with Formal Verification using LLMs in Precision Agriculture

• arxiv url: http://arxiv.org/abs/2606.18519v1
• Date: Tue, 16 Jun 2026 22:17:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.913765
• Title: As You Wish: Mission Planning with Formal Verification using LLMs in Precision Agriculture
• Title（参考訳）: さよなら: 精密農業におけるLCMを用いた形式検証によるミッションプランニング
• Authors: Marcos Abel Zuzuárregui, Stefano Carpin,
• Abstract要約: 精密農業におけるミッションプラン作成にLLMを活用したミッションプランナを導入する。 このシステムは印象的な性能を示すが、自然言語の本質的な曖昧さにも悩まされている。 計画アーキテクチャに複数のフィードバックループを導入することで、この問題に対処できるようにシステムを拡張します。
• 参考スコア（独自算出の注目度）: 7.898119196008836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Though robotic systems are now being commercialized and deployed in various industries, many of these systems are highly specialized and often require an advanced skill set to operate and ensure they perform as instructed. To mitigate this problem, we recently introduced a mission planner leveraging LLMs to synthesize mission plans in precision agriculture based on mission descriptions provided in natural language. While the system demonstrates impressive performance, it also suffers from the inherent ambiguities of natural language. In this paper, we extend our system to address this issue by introducing multiple feedback loops in the planning architecture that leverage linear temporal logic (LTL) to ensure the mission planning system meets the specifications formulated by the user while still using natural language. To mitigate potential bias, this is achieved by using two different commercial LLMs in charge of the specification and verification subtasks. Through extensive experiments, we highlight the strengths and limitations of integrating mission verification into a fully autonomous pipeline, particularly regarding an LLM's ability to generate valuable LTL formulas, and show how our proposed implementation addresses and solves these challenges.
• Abstract（参考訳）: 現在、ロボットシステムは商業化され、様々な産業に配備されているが、これらのシステムの多くは高度に専門化されており、指示通りに動作させるためには高度な技術を必要とすることが多い。 この問題を軽減するため,我々は最近,LLMを活用したミッションプランナを導入し,自然言語によるミッション記述に基づく精密農業におけるミッション計画の合成を行った。 このシステムは印象的な性能を示すが、自然言語の本質的な曖昧さにも悩まされている。 本稿では,リニア時相論理(LTL)を活用する計画アーキテクチャに複数のフィードバックループを導入し,ユーザによる自然言語使用時の仕様を満たすためのミッション計画システムを提案する。 潜在的なバイアスを軽減するために、仕様と検証サブタスクを担当する2つの異なる商用LCMを使用することで実現されている。 広範な実験を通じて、ミッション検証を完全自律パイプラインに統合する強みと限界、特にLLMが価値あるLTL式を生成する能力について強調し、提案した実装がどのように対処し、これらの課題を解決するかを示します。

関連論文リスト

• Hybrid LLM-based Intelligent Framework for Robot Task Scheduling [6.227803171257308]
  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。
  論文  参考訳（メタデータ） (2026-05-15T00:04:38Z)
• Leveraging LLMs for Mission Planning in Precision Agriculture [3.3088495893219885]
  本稿では,自然言語命令を用いて複雑なデータ収集タスクを自律ロボットに割り当てるエンド・ツー・エンドシステムを提案する。 再利用性を高めるために、ミッションプランは既存のIEEEタスク仕様標準を使用してエンコードされ、既存のROSライブラリで高レベルのミッション記述をブリッジするROS2ノードを介してロボットで実行される。
  論文  参考訳（メタデータ） (2025-06-11T18:25:23Z)
• Leveraging Pre-trained Large Language Models with Refined Prompting for Online Task and Motion Planning [24.797220935378057]
  本稿では,事前学習型大規模言語モデル (LLM) によって支援された閉ループタスク計画・実行システム LLM-PAS を提案する。 タスク実行時の異常条件に対するLLM-PASの有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2025-04-30T12:53:53Z)
• 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)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• Efficient Prompting for LLM-based Generative Internet of Things [88.84327500311464]
  大規模言語モデル(LLM)は、様々なタスクにおいて顕著な能力を示しており、最近、IoT(Internet of Things)アプリケーションにLLMの能力を統合することが研究の注目を集めている。 セキュリティ上の懸念から、多くの機関は最先端の商用LLMサービスへのアクセスを避け、ローカルネットワーク環境でのオープンソースLLMのデプロイと利用を必要としている。 本研究では,LLMを用いた生成IoT(Generative IoT)システムを提案する。
  論文  参考訳（メタデータ） (2024-06-14T19:24:00Z)
• Translating Natural Language to Planning Goals with Large-Language Models [19.738395237639136]
  近年の大規模言語モデル(LLM)は,様々な自然言語処理(NLP)タスクにおいて顕著な性能を示した。 我々の中心的な問題は、LLMが自然言語で指定された目標を構造化された計画言語に翻訳できるかどうかである。 GPT 3.5 変種に対する実験結果から,LCM は計画よりも翻訳に適していることが示された。
  論文  参考訳（メタデータ） (2023-02-10T09:17:52Z)
• Plansformer: Generating Symbolic Plans using Transformers [24.375997526106246]
  大規模言語モデル(LLM)は、自然言語処理(NLP)分野を著しく進歩させ、活発な研究対象となっている。 プランフォーマーは計画上の問題に微調整され、知識工学の努力を減らし、正確さと長さの点で良好な行動で計画を生成することができる。 Plansformerの1つの構成では、97%の有効なプランが達成されます。
  論文  参考訳（メタデータ） (2022-12-16T19:06:49Z)

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。