論文の概要: End-to-End LLM Flight Planning with RAG-based Memory and Multi-modal Coach Agent

• arxiv url: http://arxiv.org/abs/2607.06964v1
• Date: Wed, 08 Jul 2026 03:40:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.275271
• Title: End-to-End LLM Flight Planning with RAG-based Memory and Multi-modal Coach Agent
• Title（参考訳）: RAGに基づくメモリ・マルチモーダル・コーチエージェントによるエンド・ツー・エンドLLM飛行計画
• Abstract要約: 本稿では,LLM(End-to-End Large Language Model)フライトプランニングツールであるFRAMeについて述べる。 本システムでは,プランナーLLMとマルチモーダルコーチングエージェントを統合し,RAGベースのメモリを用いて飛行計画を生成する。 このシステムを,様々な難易度を持つ実世界のシナリオで実演する。
• 参考スコア（独自算出の注目度）: 2.9382743989955245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bridging the gap between human pilot intent and autonomous flight operation is critical for real-world electric vertical takeoff and landing (eVTOL) aircraft deployment. Flight planning traditionally relies on classic algorithms that struggle to incorporate flexible human preferences. We present FRAMe, an End-to-End Large Language Model (LLM) Flight Planning tool with RAG-based Memory and Multi-modal Coach Agent. Our system integrates a planner LLM with a multi-modal coach agent and retrieval augmented generation (RAG)-based memory to generate flight plans that satisfy mission constraints while aligning with human flight operator preferences. We demonstrate the system in a range of real-world-inspired scenarios of varying difficulty levels. Across four LLMs, the full FRAMe system (RAG and coach) yields the highest validity for every planner (up to 93.8% aggregate, 99% on Easy scenarios for the strongest planner) and shifts preference-relevant metrics in the operator-favored direction where the metric has headroom. FRAMe signifies how advanced LLMs can be deployed for human-centric mission planning, translating natural language instructions into safe, efficient, and flexible flight routes. The code is available at: github.com/amin-tabrizian/FlightPlanningLLMs
• Abstract（参考訳）: 人間の操縦意図と自律飛行のギャップを埋めることは、現実の電気垂直離着陸(eVTOL)航空機の配備にとって重要である。 フライトプランニングは伝統的に、柔軟な人間の好みを組み込むのに苦労する古典的なアルゴリズムに依存している。 本稿では,LLM(End-to-End Large Language Model)フライトプランニングツールであるFRAMeについて述べる。 本システムでは,プランナーLLMをマルチモーダル・コーチエージェントと統合し,RAGベースのメモリを用いて,人間の飛行操作者の好みに合わせてミッション制約を満たす飛行計画を生成する。 このシステムを,様々な難易度を持つ実世界のシナリオで実演する。 4つのLCM全体で、フルFRAMシステム(RAGとコーチ)は、全てのプランナーに対して最も有効(合計93.8%、最強プランナーにとっての簡単なシナリオでは99%)であり、メトリクスがヘッドルームを持つオペレーターが好む方向の優先順位関連メトリクスをシフトする。 FRAMeは、人間中心のミッションプランニング、自然言語命令を安全で効率的で柔軟な飛行経路に変換するための高度なLSMの展開方法を示している。 コードは、github.com/amin-tabrizian/FlightPlanningLLMsで入手できる。

関連論文リスト

• Lifelong Scalable Multi-Agent Realistic Testbed and A Comprehensive Study on Design Choices in Lifelong AGV Fleet Management Systems [28.133146953693814]
  We present Lifelong Scalable Multi-Agent Realistic Testbed (L), a Open-Agent Path Finding (MAPF) in a Fleet Management System (FMS) with Automated Guided Vehicles (AGVs)。 MAPFは、エージェントのグループを対応する開始地点から目標に移動させることを目的としている。ライフロングMAPF(LMAPF)は、エージェントが到達するための新しい目標を継続的に割り当てるMAPFの変種である。 自律倉庫のようなLMAPFアプリケーションは、通常AGVなどのロボット群の動きを調整するために、集中的な寿命のシステムを必要とすることが多い。
  論文  参考訳（メタデータ） (2026-02-17T16:53:20Z)
• Wide-Horizon Thinking and Simulation-Based Evaluation for Real-World LLM Planning with Multifaceted Constraints [39.01715254437105]
  本稿では,多面制約による計画課題を解決するための多面計画(MAoP)について紹介する。 MAoPは直接計画するのではなく、ストラテジストを活用して、さまざまな側面から事前計画を行い、プランナーのための計画青写真を提供する。
  論文  参考訳（メタデータ） (2025-06-14T09:37:59Z)
• SmallPlan: Leverage Small Language Models for Sequential Path Planning with Simulation-Powered, LLM-Guided Distillation [22.71952631383849]
  SmallPlanは、教師モデルとしてLarge Language Modelsを活用して、ハイレベルパス計画タスクのために軽量なSLM(Small Language Models)をトレーニングする新しいフレームワークである。 LLM誘導微調整(SFT)と強化学習(RL)を併用したシミュレーションによるインターリーブ方式のSLM訓練 本研究は, GPT-4oのような大型モデルと連続経路計画において, 幻覚や過剰適合に悩まされることなく, 微調整SLMが競合することを示す。
  論文  参考訳（メタデータ） (2025-05-01T19:44:36Z)
• Navigating Motion Agents in Dynamic and Cluttered Environments through LLM Reasoning [69.5875073447454]
  本稿では,大規模言語モデル(LLM)によって強化された動作エージェントを,動的・乱雑な環境における自律的なナビゲーションに向けて前進させる。 トレーニング不要なフレームワークは、マルチエージェント調整、クローズドループ計画、動的障害物回避を、リトレーニングや微調整なしでサポートしています。
  論文  参考訳（メタデータ） (2025-03-10T13:39:09Z)
• Distilling Multi-modal Large Language Models for Autonomous Driving [64.63127269187814]
  近年のエンド・ツー・エンドの自動運転システムは,大規模言語モデル(LLM)をプランナーとして活用し,レアイベントに対する一般化性を向上させる。 我々は,LLMの世界の知識を活用しつつ,LLMフリー(あるいはビジョンベース)プランナの効率を維持するエンド・ツー・エンドの自動運転システムであるDiMAを提案する。 DiMAを用いたトレーニングでは、L2軌道誤差が37%減少し、ビジョンベースプランナーの衝突速度が80%低下し、ロングテールシナリオでは44%軌道誤差が減少する。
  論文  参考訳（メタデータ） (2025-01-16T18:59:53Z)
• EgoPlan-Bench2: A Benchmark for Multimodal Large Language Model Planning in Real-World Scenarios [53.26658545922884]
  EgoPlan-Bench2は,MLLMの計画能力を評価するためのベンチマークである。 我々は,21の競争的MLLMを評価し,その限界を詳細に分析した結果,実世界の計画において大きな課題に直面していることが明らかとなった。 EgoPlan-Bench2におけるGPT-4Vの10.24倍の性能向上を図る。
  論文  参考訳（メタデータ） (2024-12-05T18:57:23Z)
• 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)
• Smart Language Agents in Real-World Planning [0.0]
  大規模言語モデル(LLM)の旅行計画能力の向上を目指す。 LLM自動プロンプトと「Human-in-the-loop」を組み合わせた半自動プロンプト生成フレームワークを提案する。 以上の結果から,LLM自動プロンプトには制限があり,"Human-in-the-loop"は1回のイテレーションで139%の大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-07-29T03:00:30Z)
• From Words to Actions: Unveiling the Theoretical Underpinnings of LLM-Driven Autonomous Systems [59.40480894948944]
  大規模言語モデル (LLM) は、物理世界の意思決定問題を解くことができる。 このモデルの下で、LLM Plannerは、プロンプトを介して言語ベースのサブゴールを反復的に生成することにより、部分的に観測可能なマルコフ決定プロセス(POMDP)をナビゲートする。 我々は,事前学習したLLMプランナーが,文脈内学習を通じてベイズ的集計模倣学習(BAIL)を効果的に行うことを証明した。
  論文  参考訳（メタデータ） (2024-05-30T09:42:54Z)
• LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
  従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。 当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
  論文  参考訳（メタデータ） (2023-12-30T02:53:45Z)
• Hierarchies of Planning and Reinforcement Learning for Robot Navigation [22.08479169489373]
  多くのナビゲーションタスクでは、粗いフロアプランのように、高レベル(HL)タスク表現が利用可能である。 これまでの研究は、HL表現における経路計画からなる階層的アプローチによる効率的な学習を実証してきた。 本研究はHL表現のためのトレーニング可能な計画ポリシーを利用する新しい階層的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-09-23T07:18:15Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

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。