論文の概要: LUCID: An Agentic AI Framework on Digital-Twin in the Loop for QoS-Guaranteeing Robotic Control

• arxiv url: http://arxiv.org/abs/2608.28437v1
• Date: Fri, 28 Aug 2026 15:19:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.380204
• Title: LUCID: An Agentic AI Framework on Digital-Twin in the Loop for QoS-Guaranteeing Robotic Control
• Title（参考訳）: LUCID:QoS-Guaranteeing Robotic ControlのためのループにおけるデジタルツインのエージェントAIフレームワーク
• Abstract要約: クラウドロボティクスは、高体積のセンシングストリームのタイムリーなアップリンクに依存しているが、動的環境は、軌道、アクティブロボット数、ロボットごとの組み合わせの可能な組み合わせを継続的にシフトさせる。 LUCIDは、TP-RRMを固定定式化の解決から最適化問題スキーマの動的オーケストレーションへ移行する、アップリンク対応のクラウドロボティクスパイプラインである。
• 参考スコア（独自算出の注目度）: 8.429132298367412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud robotics relies on the timely uplink of high-volume sensing streams, yet dynamic environments continually shift the feasible combinations of trajectories, active-robot count, and per-robot QoS. Because existing approaches formulate trajectory planning (TP) and radio resource management (RRM) as a single fixed optimization problem, they cannot reconfigure these coupled decisions as conditions evolve, resulting in transient QoS violations. However, evolving operator intents change which quantities-such as the active-robot count and per-robot QoS-are fixed, optimized, or relaxed. Furthermore, the computational cost of evaluating trajectory-dependent wireless conflicts has made it difficult to build large-scale Digital-Twin-in-the-Loop (DITL) testbeds responsive enough for such dynamic orchestration. We present LUCID, an LLM-agent--orchestrated, uplink-aware cloud-robotics pipeline that moves TP--RRM from solving a fixed formulation to dynamically orchestrating optimization problem schemas within a DITL environment. Driven by the operator's high-level intent, LUCID treats the TP--RRM formulation as a bounded template whose variables, objectives, and constraints are dynamically configured, while SimBridge enables repeated ray-tracing evaluation by converting large-scale robotics scenes into wireless-ready DTs. By integrating collision-free path planning with a spectral-radius RRM validator, LUCID identifies wireless bottlenecks and restructures the problem schema on the fly to efficiently find the verified feasible state. Experiments confirm that LUCID robustly adapts to changing intents, active-robot counts, and scenes, while a multimodal surrogate model, FastConfigNet, reduces planning latency.
• Abstract（参考訳）: クラウドロボティクスは、高ボリュームのセンシングストリームのタイムリーなアップリンクに依存しているが、動的環境は、軌道、アクティブロボットカウント、ロボットごとのQoSの可能な組み合わせを継続的にシフトしている。 既存の経路計画(TP)と無線資源管理(RRM)を1つの固定最適化問題として定式化しているため、条件が進化するにつれて結合した決定を再構成することはできず、一過性のQoS違反をもたらす。 しかし、進化する演算子意図は、アクティブロボット数やボットごとのQoSが固定、最適化、緩和される量などを変化させる。 さらに、軌道依存型無線競合を評価するための計算コストは、このような動的オーケストレーションに十分な応答性を持つ大規模Digital-Twin-in-the-Loop(DITL)テストベッドの構築を困難にしている。 LUCID(LLM-agent-orchestrated, uplink-aware cloud-robotics pipeline)は, TP-RRMを固定定式化の解決から, DITL環境内の最適化問題スキーマの動的オーケストレーションへ移行する。 LUCIDはオペレータの高レベルな意図に基づいて、TP--RRMの定式化を変数、目的、制約が動的に設定された有界テンプレートとして扱い、SimBridgeは大規模ロボットシーンを無線対応DTに変換することで、繰り返しレイトレーシング評価を可能にする。 LUCIDは、衝突のない経路計画とスペクトル放射RRMバリデータを統合することで、無線ボトルネックを特定し、問題のスキーマをオンザフライで再構築し、検証可能な状態を効率的に見つける。 実験では、LUCIDがインテントの変更やアクティブロボット数、シーンにしっかりと適応していることを確認し、マルチモーダルサロゲートモデルであるFastConfigNetは計画の遅延を低減している。

関連論文リスト

• VGFM: Expressive Robot Policies via Dense Value Guidance in Flow Matching [2.7429630700600893]
  本稿では,フローベースのポリシ内で高密度な値誘導型シェーピングを可能にする,スケーラブルなオフラインRLフレームワークを提案する。 VGFMは、アクション(x-述語)空間における条件付きフローマッチングモデルとしてポリシーをパラメータ化する。 本稿では,厳密な評価プロトコルの下で,VGFMが幅広いタスクに対して高い性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-09-13T03:50:52Z)
• Distributed Model-Based Diffusion For Scalable Multi-Robot Trajectory Optimization [14.429253416107167]
  本稿では,逆拡散過程をローカル条件逆拡散過程に分解する分散サーバロボットフレームワークを提案する。 この分解により、各ロボットは、目標によって集約された他のロボットを推定する現在の軌跡に基づいて、自身の制御部分空間条件内で独立して反復的に復調を行うことができる。
  論文  参考訳（メタデータ） (2026-07-23T07:16:59Z)
• Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
  マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。 既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。 本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
  論文  参考訳（メタデータ） (2026-05-26T21:17:53Z)
• DAG-Based QoS-Aware Dynamic Task Placement for Networked Multi-Stage Control Pipelines [5.531395561451493]
  現在の物理AIは、クローズドループのビジュアルサーボパイプラインに大きく依存している。 認識タスクをオンサイトエッジに静的にオフロードすることは、標準化された産業ネットワーク上でのレイテンシに敏感で正確な工業的設定には不適切である。 本稿では,ネットワーク型ロボットにおける知覚・知覚・計画制御パイプラインのための指向型非巡回グラフ(DAG)に基づく品質・オブ・サービス(QoS)対応動的タスク配置(DTP)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-19T14:17:02Z)
• UMBRELLA: Uncertainty-aware Multi-robot Reactive Coordination under Dynamic Temporal Logic Tasks [5.794342083222513]
  本稿では,動的および移動目標を含む協調作業のためのマルチロボットシステムのコーディネート問題に対処する。 コンフォーマル予測(CP)による目標運動予測の不確かさを明示的にモデル化する。 提案するフレームワーク (UMBRELLA) は,MCTS (Monte Carlo Tree Search) を部分計画と不確実性を考慮したロールアウトに組み合わせたものだ。
  論文  参考訳（メタデータ） (2026-03-26T12:40:04Z)
• RC-NF: Robot-Conditioned Normalizing Flow for Real-Time Anomaly Detection in Robotic Manipulation [68.7948300643741]
  ロボットの異常検出と介入をリアルタイムに監視するロボット・コンディションド・ノーマライゼーション・フロー(RC-NF)を提案する。 RC-NFは、正規化フロー内のタスク認識ロボットとオブジェクト状態の処理を分離する。 従来のロボットタスクの監視方法と比較して、あらゆる異常なタイプで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-03-11T10:14:37Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• Large Language Model-Empowered Decision Transformer for UAV-Enabled Data Collection [71.84636717632206]
  空間分散デバイスからの信頼性とエネルギー効率のよいデータ収集のための無人航空機(UAV)は、IoT(Internet of Things)アプリケーションをサポートする上で大きな可能性を秘めている。 有効なUAV制御ポリシーを学習するための共同言語モデル(LLM)を提案する。 LLM-CRDTは、現在の最先端DTアプローチよりも最大36.7%高いエネルギー効率を達成し、オンラインおよびオフラインメソッドのベンチマークより優れている。
  論文  参考訳（メタデータ） (2025-09-17T13:05:08Z)
• SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
  無線対応経路計画フレームワークであるSCoTTを提案する。 SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。 また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
  論文  参考訳（メタデータ） (2024-11-27T10:45:49Z)
• Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
  ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。 本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:54:03Z)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)

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。