論文の概要: HEART: Coordination of Heterogeneous Expert Agents for Physically Grounded Robotic Task Planning
- arxiv url: http://arxiv.org/abs/2606.25404v1
- Date: Wed, 24 Jun 2026 05:02:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.229362
- Title: HEART: Coordination of Heterogeneous Expert Agents for Physically Grounded Robotic Task Planning
- Title（参考訳）: HEART:物理接地型ロボット作業計画のための異種専門エージェントのコーディネーション
- Abstract要約: LLM(Large Language Models)は複雑な命令を推論するが、ロボットタスク計画に必要な物理的および空間的制約を満たすことができないことが多い。
命令を原子推論タスクに分解する異種マルチLLMフレームワークを提案する。
HEARTは単一LLMやルールベースのプランナに比べて計画の成功を継続的に改善することを示す。
- 参考スコア（独自算出の注目度）: 13.14097890573283
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Large Language Models (LLMs) can reason over complex instructions but often fail to satisfy the physical and spatial constraints required for robotic task planning. Recent LLM-based planners directly translate text into action sequences, yet they lack structured reasoning about feasibility, reachability, and logical order, resulting in invalid or incomplete plans. We present a heterogeneous multi-LLM framework that decomposes instructions into atomic reasoning tasks and allocates them to role-specialized expert agents under a token budget for real-world computational and communicational constraints. By combining role-oriented reasoning from heterogeneous agents followed by constraint-driven plan synthesis, HEART validates capability, reachability, and constraint conditions before planning and helps produce physically executable plans while maintaining efficiency. Experiments across different household benchmarks show that HEART consistently improves plan success compared to single-LLM and rule-based planners, demonstrating that heterogeneous LLM collaboration enables robust and scalable robotic task planning under resource constraints.
- Abstract（参考訳）: LLM(Large Language Models)は複雑な命令を推論するが、ロボットタスク計画に必要な物理的および空間的制約を満たすことができないことが多い。
近年のLSMベースのプランナーは、テキストを直接アクションシーケンスに変換するが、実現可能性、到達可能性、論理順序に関する構造的推論が欠如しており、結果として無効または不完全な計画になる。
我々は,命令を原子的推論タスクに分解し,実世界の計算・通信制約に対するトークン予算の下で役割特定専門家エージェントに割り当てる異種マルチLLMフレームワークを提案する。
不均一なエージェントからのロール指向推論と制約駆動型プラン合成を組み合わせることで、HEARTは計画前に能力、到達可能性、制約条件を検証し、効率を維持しながら物理的に実行可能なプランを作成するのに役立つ。
異なる家庭のベンチマークでの実験では、HEARTは単一LLMやルールベースのプランナと比較して計画の成功を一貫して改善し、異種LLMコラボレーションがリソース制約の下で堅牢でスケーラブルなロボットタスク計画を可能にすることを示した。
関連論文リスト
- EASy: Towards Efficient LLM-Based Agentic System [54.10819421625103]
強化学習によるタスク性能と計算効率を協調的に最適化する訓練可能なエージェントフレームワークであるEASyを提案する。
EASyはLLMベースのオーケストレータに異種エグゼキュータの能力とコストプロファイルを明確に把握し、パフォーマンスのみのルーティング以上のコンテキスト依存的な調整を可能にする。
さらに、複雑なタスクを管理可能なマイルストーンに分解し、依存性を意識した実行グラフを構築し、適切なエグゼキュータを割り当て、その後の決定を中間的な結果に適用しながら、独立したステップを並列化するマイルストーン計画実行ワークフローも導入されている。
論文 参考訳（メタデータ） (2026-08-05T08:50:36Z) - AdaPlanBench: Evaluating Adaptive Planning in Large Language Model Agents under World and User Constraints [65.27107190916512]
AdaPlanBenchは,Large Language Model (LLM)エージェントが適応的に計画し,段階的に明らかにされた制約の下で再計画できるかどうかを評価するための,インタラクティブなベンチマークである。
AdaPlanBenchは307の家庭用タスクに基づいて構築されている。
二重制約下での適応計画は依然として困難であり、最良のモデルは67.75%の精度にしか達していない。
論文 参考訳（メタデータ） (2026-06-04T02:47:29Z) - Melding LLM and temporal logic for reliable human-swarm collaboration in complex scenarios [17.56189537207367]
我々は,長期にわたる人間とスワムのコラボレーションのためのニューロシンボリックな枠組みを導入する。
ミッション目標と運用ルールを時間論理式として,タスクオートマトンとして許容可能なタスクオーダとして定式化する。
イベントトリガー方式のインタラクションプロトコルでは、操作者がスパースでハイレベルな確認とガイダンスに関与することを制限している。
論文 参考訳（メタデータ） (2026-05-08T15:32:14Z) - From Coarse to Fine: Self-Adaptive Hierarchical Planning for LLM Agents [24.79854509473032]
大規模言語モデルに基づくエージェントは、動的および多段階のタスクを解決するための強力なアプローチとして登場した。
人間の計画戦略を模倣する自己適応型階層型計画機構である textbfAdaPlan-H を提案する。
本手法は,計画レベルでのオーバープラン化を緩和しつつ,タスク実行の成功率を大幅に向上させる。
論文 参考訳（メタデータ） (2026-04-25T07:54:23Z) - Scale-Plan: Scalable Language-Enabled Task Planning for Heterogeneous Multi-Robot Teams [11.964765256346857]
不均質なマルチロボットシステムのための長期タスクプランニングは、実環境における協調チームの配置に不可欠である。
自然言語命令からタスク関連問題表現をコンパクトに生成する,スケーラブルなLLM支援フレームワークであるScale-Planを提案する。
計画に先立って無関係な情報をフィルタリングすることにより、スケールプランは効率的な分解、割り当て、長期計画生成を可能にします。
論文 参考訳（メタデータ） (2026-03-09T18:13:18Z) - HyperTree Planning: Enhancing LLM Reasoning via Hierarchical Thinking [109.09735490692202]
提案するHyperTree Planning(HTP)は,高木構造プランニングアウトラインを構成する新しい推論パラダイムである。
実験ではHTPの有効性を実証し、Gemini-1.5-ProによるTravelPlannerベンチマークで最先端の精度を実現し、o1-previewよりも3.6倍の性能向上を実現した。
論文 参考訳（メタデータ） (2025-05-05T02:38:58Z) - Hierarchical Planning for Complex Tasks with Knowledge Graph-RAG and Symbolic Verification [5.727096041675994]
大型言語モデル(LLM)はロボットプランナーとして約束されているが、長い水平と複雑なタスクでしばしば苦労している。
本稿では,階層的計画生成のための知識グラフに基づくRAGを用いて,LLMベースのプランナを強化するニューロシンボリックアプローチを提案する。
論文 参考訳（メタデータ） (2025-04-06T18:36:30Z) - Interactive and Expressive Code-Augmented Planning with Large Language Models [62.799579304821826]
大きな言語モデル(LLM)は、常識的推論と対話的な意思決定において強力な能力を示す。
近年,制御フローなどのコード・アジャセント技術を用いてLCM出力を構造化し,計画性能を向上させる技術が提案されている。
完全コード表現で動的なLEM計画手法であるREPL-Planを提案する。
論文 参考訳（メタデータ） (2024-11-21T04:23:17Z) - Unlocking Reasoning Potential in Large Langauge Models by Scaling Code-form Planning [94.76546523689113]
CodePlanは、テキストコード形式の計画を生成し、追跡するフレームワークで、高いレベルの構造化された推論プロセスの概要を擬似コードで示します。
CodePlanは、洗練された推論タスク固有のリッチなセマンティクスと制御フローを効果的にキャプチャする。
反応を直接生成するのに比べて25.1%の相対的な改善が達成されている。
論文 参考訳（メタデータ） (2024-09-19T04:13:58Z) - Unified Task and Motion Planning using Object-centric Abstractions of
Motion Constraints [56.283944756315066]
本稿では,タスクとモーションプランニングを一つの検索に統一するTAMP手法を提案する。
我々のアプローチは、オフザシェルフAIサーチの計算効率を活用して、物理的に実現可能な計画が得られるような、オブジェクト中心の動作制約の抽象化に基づいている。
論文 参考訳（メタデータ） (2023-12-29T14:00:20Z) - Conformal Temporal Logic Planning using Large Language Models [26.793426646439073]
我々は、自然言語(NL)で表される複数のハイレベルなサブタスクを、時間的・論理的な順序で達成する必要があるとみなす。
私たちの目標は、ロボットアクションのシーケンスとして定義された計画を立てることです。
我々は,既存の象徴的プランナーの新たな統合に依存した階層型ニューロシンボリックプランナーであるHERACLEsを提案する。
論文 参考訳（メタデータ） (2023-09-18T19:05:25Z)
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。