論文の概要: EFLUX: Elastic Multi-Robot Formation Navigation and Adaptation with Agentic LLMs

• arxiv url: http://arxiv.org/abs/2607.12050v1
• Date: Mon, 13 Jul 2026 18:08:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.9286
• Title: EFLUX: Elastic Multi-Robot Formation Navigation and Adaptation with Agentic LLMs
• Title（参考訳）: EFLUX: エージェントLLMによる弾性マルチロボット生成ナビゲーションと適応
• Abstract要約: 閉じ込められた環境や散在した環境で活動するマルチロボットチームは、複雑な障害物をナビゲートするために、形成幾何学とグループトポロジーの両方に適応する必要がある。 既存の手法は、しばしばこれらの振る舞いを独立してモデル化し、手作りのルールを通してそれらを接続する。 自動および弾力性のあるマルチロボット生成ナビゲーションのためのジオメトリグラウンドのLLMエージェントフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 24.382645393013945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-robot teams operating in confined or cluttered environments must adapt both their formation geometry and group topology to navigate through complex obstacles. This adaptation requires two complementary behaviors: deformation, where the team continuously reshapes its geometry while remaining connected, and reconfiguration, where robots split into subgroups or merge back into a single formation. Existing methods often model these behaviors independently, connect them through handcrafted rules, or lack explicit geometric criteria for determining when each behavior should be invoked. However, challenging environments may require online changes in formation shape, connectivity, and effective team composition, making decoupled or rule-based approaches prone to suboptimal trajectories and deadlock. We propose EFLUX, a geometry-grounded LLM agentic framework for automatic and elastic multi-robot formation navigation. EFLUX extracts a structured scene representation and uses an LLM to reason jointly over both deformation actions, such as scaling and shearing, and reconfiguration actions, such as splitting and merging. These strategies are then translated into executable per-robot waypoints through a closed-loop generation, verification, and correction pipeline. Simulation and hardware experiments show that EFLUX enables safe, continuous, and elastic formation navigation in constrained environments, reducing deadlock and navigation failures compared with baselines while maintaining coherent multi-robot coordination.
• Abstract（参考訳）: 閉じ込められた環境や散在した環境で活動するマルチロボットチームは、複雑な障害物をナビゲートするために、形成幾何学とグループトポロジーの両方に適応する必要がある。 この適応には2つの補完的な行動が必要である: 変形: チームは接続されたまま幾何を継続的に再調整し、再構成: ロボットはサブグループに分割するか、1つの構成にマージする。 既存の手法は、しばしばこれらの振る舞いを独立してモデル化し、手作りのルールを通してそれらを接続する。 しかし、挑戦的な環境は、形成形態、接続性、効果的なチーム構成のオンライン変更を必要とする可能性がある。 自動かつ弾性なマルチロボット生成ナビゲーションのためのジオメトリグラウンド LLM エージェントフレームワークである EFLUX を提案する。 EFLUXは構造化されたシーン表現を抽出し、LLMを使用して、スケーリングやせん断といった変形動作と、分割やマージといった再構成動作を共同で行う。 これらの戦略は、クローズドループ生成、検証、修正パイプラインを通じて、実行可能なロボットごとのウェイポイントに変換される。 シミュレーションおよびハードウェア実験により、EFLUXは制約された環境で安全で連続的で弾性的な形成ナビゲーションを可能にし、コヒーレントなマルチロボット調整を維持しながら、ベースラインと比較してデッドロックやナビゲーションの失敗を低減できることが示された。

関連論文リスト

• Advancing Omnimodal Embodied Agents from Isolated Skills to Everyday Physical Autonomy [79.09714980186278]
  非構造化環境で永続的なエンボディエージェントを構築するには、異種ツールの統一的なオーケストレーションが必要である。 我々は,多モーダルなセマンティックプランナを統合したフレームワークであるOmniActを紹介した。 すべての複雑性レベルにわたって、エンドツーエンドの成功において一貫した改善が達成されます。
  論文  参考訳（メタデータ） (2026-06-25T16:36:35Z)
• REACT: Environment-Adaptive Architecture for Continuous Formation Navigation of Wheeled Mobile Robots [21.3981924226061]
  本稿では,集中型生成と分散型生成管理を統合した階層型アーキテクチャREACTを提案する。 特に上層層は必要に応じて新しい環境適応型構造を生成する。 下層では、各WMRがJSTP法(Joint trajectory trajectory Planning)を実行し、生成した生成物を維持する。
  論文  参考訳（メタデータ） (2026-05-18T14:11:31Z)
• DynaTrain: Fast Online Parallelism Switching for Elastic LLM Training [21.939190885925754]
  任意の多次元並列処理を網羅したサブ秒再構成のための分散トレーニングシステムDynaTrainを提案する。 その中核として,1つの論理座標空間の下で全ての分散トレーニング状態を統一する仮想VPS空間の抽象化を提案する。 235Bパラメータの高密度モデルと235Bパラメータのモデルでは、DynaTrainは2s未満の70B密度モデルと4.36sの235BMoEモデルを使用しており、正確性を保ちながら、最先端のチェックポイントベースおよび弾性システムよりも最大3桁の精度で性能を向上している。
  論文  参考訳（メタデータ） (2026-05-12T09:51:28Z)
• Role-Adaptive Collaborative Formation Planning for Team of Quadruped Robots in Cluttered Environments [15.679419362625845]
  本稿では,四足歩行ロボットのための役割適応型リーダ・フォロワー型構成計画・制御フレームワークを提案する。 固定的なリーダーや堅固な構成の役割を持つ従来の手法とは異なり、提案手法は動的役割割り当てと部分的な目標計画を統合している。 その結果、複雑で非構造的な環境での円滑な調整、適応的な役割の切り替え、ロバストな構成維持が示された。
  論文  参考訳（メタデータ） (2026-02-20T14:44:16Z)
• ASTRA: Automated Synthesis of agentic Trajectories and Reinforcement Arenas [13.919124676472022]
  ASTRAは、ツール拡張言語モデルエージェントをトレーニングするためのエンドツーエンドフレームワークである。 ASTRAはスケーラブルなデータ合成と検証可能な強化学習を統合している。 複数のエージェントツール使用ベンチマークの実験は、ASTRA訓練されたモデルが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-01-29T11:22:23Z)
• StructAlign: Structured Cross-Modal Alignment for Continual Text-to-Video Retrieval [75.28673512571449]
  Continual Text-to-Video Retrievalの重要な課題はフィーチャードリフトだ。 我々はCTVRのための構造化クロスモーダルアライメント手法であるStructAlignを提案する。 我々の手法は、常に最先端の連続検索手法より優れています。
  論文  参考訳（メタデータ） (2026-01-28T13:34:44Z)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
  本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。 実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
  論文  参考訳（メタデータ） (2025-10-06T14:48:39Z)
• Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
  対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。 textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。 SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
  論文  参考訳（メタデータ） (2025-09-24T13:27:35Z)
• CollaPipe: Adaptive Segment-Optimized Pipeline Parallelism for Collaborative LLM Training in Heterogeneous Edge Networks [57.95170323315603]
  CollaPipeは、コラボレーティブパイプライン並列性とフェデレーションアグリゲーションを統合し、自己進化型ネットワークをサポートする分散学習フレームワークである。 CollaPipeでは、エンコーダ部分は可変サイズのセグメントに適応的に分割され、パイプライン並列トレーニングのためにモバイルデバイスにデプロイされ、デコーダは生成タスクを処理するためにエッジサーバにデプロイされる。 トレーニング効率を向上させるために,モデルセグメント,マイクロバッチ,帯域幅,送信電力を適応的に割り当てる共同最適化問題を定式化する。
  論文  参考訳（メタデータ） (2025-09-24T07:54:01Z)
• Learning to Coordinate: Distributed Meta-Trajectory Optimization Via Differentiable ADMM-DDP [4.880846795915428]
  多様なタスクやエージェント構成に適応するために,L2C(Learning to Coordinate)を提案する。 L2CはADMM-DDPパイプラインを通じてエンドツーエンドを分散的に区別する。 最先端の手法よりも高速な勾配計算を実現する。
  論文  参考訳（メタデータ） (2025-09-01T17:17:05Z)
• ToolACE-MT: Non-Autoregressive Generation for Agentic Multi-Turn Interaction [84.90394416593624]
  大規模言語モデル(LLM)によるエージェント的タスク解決には,多ターン・マルチステップインタラクションが必要である。 既存のシミュレーションベースのデータ生成手法は、複数のエージェント間のコストのかかる自己回帰的相互作用に大きく依存している。 本稿では,高品質なマルチターンエージェント対話を構築するための非自己回帰反復生成フレームワークであるToolACE-MTを提案する。
  論文  参考訳（メタデータ） (2025-08-18T07:38:23Z)

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。