論文の概要: MultiUAV-Plat: An LLM-Oriented Platform, Benchmark and Framework for Multi-UAV Collaborative Task Planning

• arxiv url: http://arxiv.org/abs/2606.31073v1
• Date: Tue, 30 Jun 2026 03:02:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.050275
• Title: MultiUAV-Plat: An LLM-Oriented Platform, Benchmark and Framework for Multi-UAV Collaborative Task Planning
• Title（参考訳）: MultiUAV-Plat:マルチUAV協調作業計画のためのLLM指向プラットフォーム、ベンチマークとフレームワーク
• Abstract要約: 大規模言語モデル(LLM)は、ハイレベルなロボットタスク計画のための有望なインターフェースを提供する。 既存のUAVシミュレータは主に力学、知覚、低レベル制御に重点を置いている。 既存のLLMエージェントは、部分観測性のような空中ロボティクスの制約をほとんど捉えない。 マルチUAVタスク計画のための軽量で使いやすいシミュレーションプラットフォームであるMultiUAV-Platを提案する。
• 参考スコア（独自算出の注目度）: 4.712457848623237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) provide a promising interface for high-level robotic task planning, but their use in multi-UAV collaboration remains difficult to evaluate systematically. Existing UAV simulators mainly emphasize dynamics, perception, or low-level control, while existing LLM-agent benchmarks rarely capture aerial-robotics constraints such as partial observability, spatial coverage, UAV assignment, and multi-vehicle coordination. To bridge this gap, we present MultiUAV-Plat, a lightweight, easy-to-use, LLM-agent-oriented simulation platform for multi-UAV collaborative task planning. The platform exposes concise RESTful APIs, agent-facing observations, role-based information access, hidden validation logic, and optional 2D/3D visualization, allowing agents to solve missions through realistic tool interaction rather than privileged simulator access. Built on this platform, the MultiUAV-Plat Benchmark contains 75 mission sessions, 1500 natural-language tasks, and 9396 validation checks across target assignment, area search, and area assignment and patrol scenarios. We further propose Agent4Drone, a task-specific LLM agent framework that structures multi-UAV behavior into memory, observation, task understanding, planning, execution, and verification. In a full paired benchmark comparison, Agent4Drone achieves a 57.9% task pass rate, a 74.6% average task check pass rate, and a 72.0% global check pass rate, substantially outperforming a ReAct baseline at 30.6%, 47.9%, and 43.1%, respectively. Agent4Drone also reduces the total failed task rate from 32.4% to 12.9%. These results demonstrate that MultiUAV-Plat and MultiUAV-Plat Benchmark provide a reproducible foundation for studying LLM-driven multi-UAV autonomy under realistic information and execution constraints.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、高レベルのロボットタスク計画のための有望なインターフェースを提供するが、マルチUAVコラボレーションにおけるそれらの使用は、体系的に評価することが困難である。 既存のUAVシミュレータは主にダイナミックス、知覚、低レベル制御に重点を置いているが、既存のLCMエージェントベンチマークでは、部分観測性、空間被覆性、UAV割り当て、複数車両調整などの航空ロボティクスの制約をほとんど捉えていない。 このギャップを埋めるため,マルチUAV協調作業計画のための軽量かつ使いやすいLLMエージェント指向シミュレーションプラットフォームであるMultiUAV-Platを提案する。 このプラットフォームは、簡潔なRESTful API、エージェント対面の観察、ロールベースの情報アクセス、隠れバリデーションロジック、オプションで2D/3D視覚化を提供する。 このプラットフォーム上に構築されたMultiUAV-Plat Benchmarkには、75のミッションセッション、1500の自然言語タスク、9396の検証チェックが対象の割り当て、地域探索、地域割当てとパトロールのシナリオに含まれている。 さらに,マルチUAV動作をメモリ,観察,タスク理解,計画,実行,検証に構成するタスク固有LLMエージェントフレームワークであるAgent4Droneを提案する。 完全なベンチマーク比較では、Agent4Droneは57.9%のタスクパスレート、74.6%の平均タスクチェックパスレート、72.0%のグローバルチェックパスレートを達成し、それぞれ30.6%、47.9%、43.1%でReActベースラインを大幅に上回っている。 Agent4Droneは、失敗するタスクの総数も32.4%から12.9%に削減している。 これらの結果は,MultiUAV-Plat BenchmarkとMultiUAV-Plat Benchmarkが,現実的な情報と実行制約の下でLLM駆動型マルチUAV自律性を研究するための再現可能な基盤を提供することを示す。

関連論文リスト

• UI-Mate: Advancing Open-Weight Foundation GUI Agents with In-Context Demonstrations [68.29650478987561]
  UI-Mateは、環境に根ざしたトレーニングスタックとコンテキスト内の実演学習を統合する基盤GUIエージェントである。 OSWorldでは77.0%、WindowsAgentArenaでは66.2%と評価された。
  論文  参考訳（メタデータ） (2026-08-16T20:59:59Z)
• Advancing MLLM-based UAV Image Understanding and Reasoning: A Benchmark and a Training-Free Multi-Agent System [21.596261657771]
  UAV-MAS(UAV-MAS)は、MLLMをベースとしたUAV空中画像の理解と推論のための訓練用マルチエージェントシステムである。 UAVQA-Benchでは77.0%の精度でGemini 3 Proを4.0%上回り、8Bはベースモデルよりも8.7%改善している。
  論文  参考訳（メタデータ） (2026-08-12T07:25:32Z)
• MTA-Agent: An Open Recipe for Multimodal Deep Search Agents [51.180338423927985]
  MLLM(Multi-hop large language model)は、視覚的理解において強力な能力を示しているが、複雑な多段階推論において制限されている。 証拠ベースQA合成のためのマルチホップツール拡張エージェント(MTA-Agent)を提案する。 MTA-Agentは、視覚的およびテキストソースから証拠を検索し、検証するためのツールとそのパラメータを自動的に選択する。
  論文  参考訳（メタデータ） (2026-04-07T19:01:45Z)
• Yet Even Less Is Even Better For Agentic, Reasoning, and Coding LLMs [28.672417618778976]
  効果的なソフトウェアエンジニアリングエージェントの訓練には、大量のタスク固有の軌道が必要である。 より少ないが高品質な訓練軌道で優れたエージェント能力を実現するエンドツーエンドのトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-01T12:33:25Z)
• VTC-Bench: Evaluating Agentic Multimodal Models via Compositional Visual Tool Chaining [49.78591189918702]
  VisualToolChain-Bench (VTC-Bench)を導入し,マルチモーダル大言語モデル(MLLM)におけるツール使用の習熟度を評価する。 リアルなコンピュータビジョンパイプラインに合わせるために、我々のフレームワークは32種類のOpenCVベースの視覚操作を備えている。 正確な評価のために、9カテゴリの認知階層にまたがる680のキュレートされた問題を提示する。
  論文  参考訳（メタデータ） (2026-03-16T09:31:44Z)
• MagicAgent: Towards Generalized Agent Planning [73.21129030631421]
  汎用エージェント計画に特化して設計された基盤モデルである textbfMagicAgent について述べる。 多様な計画タスクにまたがる高品質なトラジェクトリを生成する軽量でスケーラブルな合成データフレームワークを提案する。 MagicAgent-32B と MagicAgent-30B-A3B は様々なオープンソースベンチマークにおいて優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-02-22T01:39:16Z)
• $α^3$-Bench: A Unified Benchmark of Safety, Robustness, and Efficiency for LLM-Based UAV Agents over 6G Networks [3.099103925863002]
  3ドルベンチは無人航空機の自律性を評価するためのベンチマークである。 各ミッションは、LLMベースのUAVエージェントと人間のオペレータ間の言語経由の制御ループとして定式化される。 UAVBenchシナリオに基づく113kの会話型UAVエピソードの大規模コーパスを構築した。 本稿では,タスクアウトカム,安全ポリシ,ツール一貫性,インタラクション品質,ネットワークロバストネス,通信コストの6つの柱を統合した3ドルの複合指標を提案する。
  論文  参考訳（メタデータ） (2026-01-01T12:07:06Z)
• AMUSE: Audio-Visual Benchmark and Alignment Framework for Agentic Multi-Speaker Understanding [73.05946667683259]
  最近の大規模言語モデル(MLLM)は、強い認識を示すが、多話者、対話中心の設定に苦戦している。 本質的にエージェント的なタスクを中心に設計されたベンチマークであるAMUSEを紹介します。 我々は、報酬最適化と本質的なマルチモーダル自己評価を統合するデータ効率の高いエージェントアライメントフレームワークRAFTを提案する。
  論文  参考訳（メタデータ） (2025-12-18T07:01:47Z)
• UAV-CodeAgents: Scalable UAV Mission Planning via Multi-Agent ReAct and Vision-Language Reasoning [2.0094541584885426]
  自律型UAVミッション生成のためのスケーラブルなマルチエージェントフレームワークであるUAV-CodeAgentsを提案する。 コアコンポーネントは、空の地図上のセマンティックターゲットの正確な位置決めを可能にする、視覚的に座屈したピクセルポインティング機構である。 より低い復号温度(0.5)は、平均ミッション作成時間96.96秒、成功率93%で、高い計画信頼性と実行時間の短縮をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-05-12T05:23:51Z)
• EmbedAgent: Benchmarking Large Language Models in Embedded System Development [41.849233931919265]
  大規模言語モデル(LLM)は様々なタスクにおいて有望であるが、組み込みシステム開発におけるその能力を評価するベンチマークは少ない。 組込みシステム開発における現実の役割をシミュレートするパラダイムである EmbedAgent を紹介する。 組込みシステムプログラミング、回路設計、クロスプラットフォームマイグレーションのための最初の包括的なベンチマークであるEmbedbenchを提案する。
  論文  参考訳（メタデータ） (2025-04-19T12:51:24Z)
• AgentOccam: A Simple Yet Strong Baseline for LLM-Based Web Agents [52.13695464678006]
  本研究は, 観察空間と行動空間を簡略化することで, LLMベースのWebエージェントを強化する。 AgentOccam は以前の最先端および同時処理を 9.8 (+29.4%) と 5.9 (+15.8%) で上回っている。
  論文  参考訳（メタデータ） (2024-10-17T17:50:38Z)

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。