論文の概要: MaCoPlanner: LLM-Assisted Manual-Compiled Task Planning with Proactive Safety Verification for Robotic Industrial Panel Operation
- arxiv url: http://arxiv.org/abs/2608.28300v1
- Date: Fri, 28 Aug 2026 13:03:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.335721
- Title: MaCoPlanner: LLM-Assisted Manual-Compiled Task Planning with Proactive Safety Verification for Robotic Industrial Panel Operation
- Title（参考訳）: MaCoPlanner: ロボットパネル運用のための能動的安全検証によるLLM支援マニュアルコンパイルタスクプランニング
- Abstract要約: MaCoPlannerは、機器マニュアルからコンパイルされた知識に基づいて構築されたタスクプランニングフレームワークである。
MaCoPlannerは最終違反率2.7%に達し、修理分析の26.3%が却下された。
- 参考スコア（独自算出の注目度）: 8.126153307309611
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Robotic industrial panel operation requires not only accurate control localization but also compliance with operating procedures, safety rules, and device-state constraints distributed across heterogeneous manuals. This study presents MaCoPlanner, a task-planning framework built on knowledge compiled from equipment manuals that converts equipment manuals into a typed intermediate representation, retrieves task- and state-relevant evidence, and uses it to support plan generation. Before actuation, candidate plans are symbolically rolled out and checked against procedural and state-transition constraints; detected violations are localized and returned for targeted repair, while unresolved plans are rejected. A separate execution interface grounds verified symbolic actions to physical controls and updates the device state. Under an independent evaluation oracle, MaCoPlanner achieves a final violation rate of 2.7%, and 26.3% of the runs in the repair analysis are rejected after exhausting the refinement budget. Compared with Raw-Manual, task success increases from 62.8% to 84.4% on Level-2 tasks and from 25.9% to 43.2% on Level-3 tasks. Experiments on a controller-panel simulator without an attached industrial load further demonstrate integrated execution feasibility under representative interaction conditions, without claiming industrial deployment readiness.
- Abstract（参考訳）: ロボット産業パネル操作は、正確な制御ローカライゼーションだけでなく、操作手順、安全ルール、異種マニュアルに分散したデバイス状態の制約にも準拠する必要がある。
本研究では,機器マニュアルから収集した知識に基づいて構築されたタスクプランニングフレームワークMaCoPlannerについて述べる。
アクティベーションの前には、候補者の計画は象徴的にロールアウトされ、手続き的および状態遷移の制約に対してチェックされ、検出された違反はローカライズされ、ターゲットの修理のために返却されるが、未解決の計画は拒否される。
独立した実行インターフェースは、認証されたシンボルアクションを物理的コントロールに接地し、デバイス状態を更新する。
独立した評価託書の下では、MaCoPlannerは最終違反率2.7%を達成し、補修分析の26.3%は改良予算を使い果たした後に拒否される。
Raw-Manualと比較すると、レベル2タスクでは62.8%から84.4%、レベル3タスクでは25.9%から43.2%に改善している。
産業負荷を伴わないコントローラパネルシミュレータの実験は、産業展開の準備ができていない代表的相互作用条件下での統合実行の実現可能性をさらに実証する。
関連論文リスト
- IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring [59.59850511287819]
産業プロセス監視基盤モデル(IPM-FM)を提案する。
まず、自己教師付き事前学習を通じて、ラベルのない産業プロセスデータから汎用的な表現を学習する。
少数のタスクラベル付きデータを使用して特定の監視タスクに適応し、最終的に校正された予測を生成する。
論文 参考訳（メタデータ） (2026-09-08T07:43:04Z) - PanelShield: Verifiable Closed-Loop Safe Planning for Robotic Industrial Panel Operation [9.275886043674328]
PanelShieldは、手動誘導産業用パネル運用のためのクローズドループ安全計画フレームワークである。
これは、最も初期の違反ステップと原因を持つ構造化された反例を生成し、標的となる修復と再検証を可能にする。
その結果、PanelShieldは基本モデルのみの計画ベースラインよりも、複雑な安全制約のあるタスク性能を向上させることがわかった。
論文 参考訳（メタデータ） (2026-08-28T13:10:11Z) - GuideFetch: A Task Coordination Framework for Concurrent Navigation and Object Retrieval in Assistive Robot Dogs [38.9772084779486]
textscGuideFetchは異種ロボットによる同時ガイド・アンド・フェッチミッションをコーディネートするためのフレームワークである。
我々は、スクリプトとオンラインの計画立案条件下で、90以上のシーンシードの組み合わせを実行している360シミュレータを記録している。
スケジュール、シーケンシャル、並列実行毎の90のシーンセットケースは、72/90ドル、71/90ドルの運用成功を達成する。
論文 参考訳（メタデータ） (2026-08-18T20:16:57Z) - MANIGUARD: A Benchmark and Data Suite for Specification-Grounded Safety Evaluation and Improvement of Robotic Manipulation [25.45812606434053]
ManiGuardは、基礎モデル操作の安全性を評価し改善するためのフレームワークである。
ManiGuard-Benchは6つのコンタクトリッチホームタスクファミリーを200のロックされたベースタスクに編成している。
ManiGuard-Benchは自動的なモーションプランニングジェネレータと人間の遠隔操作を組み合わせ、同じステップ毎のモニターでアノテートする。
論文 参考訳（メタデータ） (2026-08-18T05:27:35Z) - HarnessWAM: Bridging Prediction and Deliberation in World Action Models [39.20825071922887]
World Action Models (WAM) は、環境力学とロボットの動作を共同で学習し、身体的制御に物理的進化の先行を取り入れている。
本稿では,WAMの予測・検討ギャップに対処するため,WAMのエージェントフレームワークであるHarnessWAMを提案する。
我々は、HarnessWAMがRoboMemArenaで59.6%、69.9%、RoboCerebra Idealで23.7%、最先端のフルタスクとサブタスクの成功率を達成したことを示す。
論文 参考訳（メタデータ） (2026-08-10T12:15:59Z) - ClawForge: Generating Executable Interactive Benchmarks for Command-Line Agents [59.626170560327274]
textbfClawForgeは、ステートコンフリクト下で実行可能なコマンドラインカテゴリのためのジェネレータベースのベンチマークフレームワークである。
私たちはこのフレームワークをClawForge-Bench(17のシナリオ、6の能力カテゴリ)としてインスタンス化します。
論文 参考訳（メタデータ） (2026-05-13T21:34:08Z) - On-Policy Self-Evolution via Failure Trajectories for Agentic Safety Alignment [54.30690671490447]
既存の安全アライメント信号は、主に応答レベルまたは政治外である。
FATEは、検証済みの失敗を専門家のデモンストレーションなしで修復管理に変換する。
FATEは攻撃成功率を33.5%、有害なコンプライアンスを82.6%削減し、外的軌道安全診断を6.5%改善する。
論文 参考訳（メタデータ） (2026-05-12T09:56:28Z) - IMPACT: A Dataset for Multi-Granularity Human Procedural Action Understanding in Industrial Assembly [79.737814043505]
IMPACTは、デプロイメント指向の産業手続き的理解のための5ビューのRGB-Dデータセットである。
実際の組み立てと、プロ向けのツールを備えた商業用アングルグラインダーの分解を中心に構築されている。
論文 参考訳（メタデータ） (2026-04-12T02:09:19Z) - Beyond Task Completion: Revealing Corrupt Success in LLM Agents through Procedure-Aware Evaluation [2.102846336724103]
プロシージャ・アウェア・アセスメント(PAE)は、エージェント・プロシージャを構造化された観察として形式化するフレームワークである。
タウベンチにおける言語モデル(LLM)に基づくエージェントの評価を行った。
論文 参考訳（メタデータ） (2026-03-03T15:47:41Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z) - Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。
モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。
実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
論文 参考訳（メタデータ） (2024-12-05T18:58:27Z)
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。