論文の概要: LAPF: LLM-Agent-Based Path Finder Using the UAVScenes Dataset
- arxiv url: http://arxiv.org/abs/2608.15175v1
- Date: Sat, 15 Aug 2026 11:28:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.216353
- Title: LAPF: LLM-Agent-Based Path Finder Using the UAVScenes Dataset
- Title（参考訳）: LAPF:UAVScenesデータセットを用いたLLM-Agentパスファインダ
- Abstract要約: 本稿では,都市規模屋外環境における自律型UAVナビゲーションのためのLLM-Agent-Based Path Finder (LAPF) フレームワークを提案する。
LAPFは認識、記憶、計画、行動モジュールをクローズドループ認知アーキテクチャに統合することでLLM支援ナビゲーションを拡張している。
LAPFは512.83mと506.37mの平均経路長を、497.33mの直線最適化と比較する。
- 参考スコア（独自算出の注目度）: 8.27333944529512
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Uncrewed aerial vehicles (UAVs) are increasingly deployed for autonomous navigation in complex outdoor environments, where dynamic conditions and mission requirements require intelligent adaptive decision-making. Existing optimization-based, Machine Learning (ML), and Reinforcement Learning (RL) approaches often rely on predefined models or task-specific training, limiting their generalization and adaptability in uncertain scenarios. Recent Large Language Model (LLM)-assisted approaches offer promising reasoning capabilities but remain constrained by limited agentic functionality, including insufficient memory, planning, and tool interaction mechanisms.This paper proposes an LLM-Agent-Based Path Finder (LAPF) framework for autonomous UAV navigation in town-scale outdoor environments. LAPF extends LLM-assisted navigation by integrating perception, memory, planning, and action modules into a closed-loop cognitive architecture. The proposed agent leverages prior navigation experiences, performs Chain-of-Thought (CoT) reasoning, couples each detected hazard to a bounded corrective action, and dynamically refines waypoint decisions based on environmental feedback.The three independent trials per method demonstrate that LAPF achieves mean path lengths of 512.83 m and 506.37 m, compared to the straight-line optimum of 497.33 m, corresponding to path length reductions of 17.2% and 15.6% relative to CoT prompting and absolute path efficiencies of 97.1% and 98.1% in open-field and obstacle-injected scenarios, respectively. Furthermore, LAPF is the only evaluated approach that couples every detected hazard to a bounded, metric-neutral corrective action while maintaining near-goal stability, with zero clamp events in both scenarios, whereas CoT prompting increases from 9.7 to 14.0 events.
- Abstract（参考訳）: 無人航空機(UAV)は、複雑な屋外環境において、動的条件とミッション要求がインテリジェントな適応的な意思決定を必要とする自律的なナビゲーションのためにますます展開されている。
既存の最適化ベースの機械学習(ML)と強化学習(RL)アプローチは、しばしば事前に定義されたモデルやタスク固有のトレーニングに依存し、不確実なシナリオにおける一般化と適応性を制限する。
本稿では,LLM-Agent-Based Path Finder (LAPF) フレームワークを提案する。
LAPFは認識、記憶、計画、行動モジュールをクローズドループ認知アーキテクチャに統合することでLLM支援ナビゲーションを拡張している。
提案手法は,CoTの経路長が17.2%,絶対経路効率が97.1%,障害物注入シナリオが98.1%,LAPFが512.83m,506.37m,それぞれ平均経路長が497.33m,それぞれ17.2%,15.6%であったのに対し,LAPFは平均経路長が497.33mであった。
さらに、LAPFは、検出されたすべてのハザードを、ほぼゴールに近い安定性を維持しながら、有界でメートルニュートラルな修正アクションに結合する唯一の評価アプローチであり、両方のシナリオでクランプイベントがゼロであるのに対して、CoTは9.7から14.0に増加する。
関連論文リスト
- Learning-Based Dynamic Obstacle Avoidance for a UAV Using Only Three Range Sensors [1.2246649738388389]
本研究では,未知の動環境下で一定高度で動作する無人航空機(UAV)のキノダイナミック・オンライン・モーション・プランニングに対する学習に基づくアプローチを提案する。
提案フレームワークは,行動グリッドマップの表現をDeep Reinforcement Learning (DRL)と統合し,継続的制御における安定した政策学習を実現する。
キーとなるアイデアは、低コストな3つの指向性レンジセンサーのみを使用して、信頼性の高いナビゲーションを可能にする状態表現と制御ポリシーの共設計である。
論文 参考訳（メタデータ） (2026-09-13T10:53:43Z) - A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。
A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
論文 参考訳（メタデータ） (2026-08-05T14:01:10Z) - Hybrid Artificial Potential Fields and Spatio-Temporal Transformers for Real-Time AUV Path Planning [0.0]
本稿では,自律型水中車両(AUV)の経路計画アルゴリズムの比較評価を行う。
人工電位場 (APF) と時空間変圧器 (ST) を組み合わせたハイブリッド方式が提案されている。
ハイブリッドAPF+ST変換器は、最も短い平均経路長(943.15単位)、低い衝突速度(0.031単位)、効率的な計算時間(0.96秒)を達成し、バランスの良い性能を示した。
論文 参考訳（メタデータ） (2026-07-27T20:34:33Z) - Towards Efficient and Evidence-grounded Mobility Prediction with LLM-Driven Agent [15.849291461766995]
監視されたシーケンスモデルは高い精度を達成するが、タスク固有のトレーニングが必要であり、決定レベルの透明性が制限される。
LLMに基づく最近の手法は解釈可能性を改善するが、ほとんどの場合静的なプロンプトとシングルパス推論に依存している。
本稿では,次の位置予測をアダプティブエビデンス制御による意思決定として定式化する,学習不要なLCM駆動エージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-03T17:34:01Z) - Hierarchically Decoupled Mixture-of-Experts for Robust Traffic Sign Recognition in Complex Driving Scenarios [6.121863091287242]
CBDES MoE TSRは、交通信号認識のための階層的に分離されたヘテロジニアス混合物(MoE)フレームワークである。
ゲーティングモジュールは、入力画像の意味特性に基づいて、エキスパートプールから最も適したエキスパートモデルを選択的に活性化する。
実験結果から,本手法は検出精度と効率の相違が顕著であることがわかった。
論文 参考訳（メタデータ） (2026-06-01T07:39:44Z) - AceGRPO: Adaptive Curriculum Enhanced Group Relative Policy Optimization for Autonomous Machine Learning Engineering [52.67783579040657]
AceGRPOは、エージェントの学習フロンティアにおけるタスクを優先順位付けして学習効率を最大化する機械学習システムである。
我々のトレーニングされたAce-30Bモデルは、MLE-Bench-Lite上で100%有効な応募率を実現し、プロプライエタリなフロンティアモデルの性能にアプローチし、より大きなオープンソースベースラインを上回ります。
論文 参考訳（メタデータ） (2026-02-08T10:55:03Z) - RISER: Orchestrating Latent Reasoning Skills for Adaptive Activation Steering [62.63376387138257]
本稿では,アクティベーション空間における大規模言語モデル(LLM)推論を適応的に制御するプラグイン・アンド・プレイ介入フレームワークを提案する。
RISERは再利用可能な推論ベクトルのライブラリを構築し、軽量ルータを使用して各入力に対して動的に構成する。
ルーターは、タスクレベルの報酬の下で強化学習を通じて最適化され、緊急かつ構成的な方法で潜在する認知的プリミティブを活性化する。
論文 参考訳（メタデータ） (2026-01-14T08:04:33Z) - Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。
また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。
今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
論文 参考訳（メタデータ） (2025-10-30T01:25:34Z) - Agentic Reinforced Policy Optimization [66.96989268893932]
検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。
現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。
エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
論文 参考訳（メタデータ） (2025-07-26T07:53:11Z) - 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) - LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
経路計画はロボット工学と自律航法における基本的な科学的問題である。
A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。
本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。
このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
論文 参考訳（メタデータ） (2024-06-20T01:24:30Z)
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。