論文の概要: LTLDiff: Finite Linear Temporal Logic-Guided Data Generation and Diffusion Policies for Multi-agent Robotic Manipulation
- arxiv url: http://arxiv.org/abs/2609.11043v1
- Date: Thu, 10 Sep 2026 03:42:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.206555
- Title: LTLDiff: Finite Linear Temporal Logic-Guided Data Generation and Diffusion Policies for Multi-agent Robotic Manipulation
- Title（参考訳）: LTLDiff:マルチエージェントロボットマニピュレーションのための有限線形時間論理ガイドデータ生成と拡散ポリシ
- Abstract要約: 多エージェントロボット操作タスクは、タスクレベルの時間的、論理的、安全上の制約を満たすためにエージェント間の調整を必要とする。
Diffは、Finite Linear Temporal Logic (LTL)仕様学習を、拡散ポリシーによる実証生成と学習の両方に組み合わせたフレームワークとして提案されている。
マルチエージェントDiff操作タスクの実験では、ベースラインと比較してタスクの成功率が改善された。
- 参考スコア（独自算出の注目度）: 5.122107539704898
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-agent robotic manipulation tasks require coordination among agents to satisfy task-level temporal, logical, and safety constraints. Recently, diffusion policies have been used to perform the task. However, they still suffer from desynchronization, incorrect action ordering, and coordination failures in tasks that require simultaneous or sequential multi-agent interaction. Therefore, LTLDiff is proposed as a framework that combines Finite Linear Temporal Logic (LTLf) specification learning for both the generation of demonstrations and learning via diffusion policies. Each task has a specific LTLf formula that is learned from a set of natural language instructions using a large-scale language model. To enable a fixed-dimensional vector embedding of the learned specification from the language model, LTLf uses an abstract syntax tree representation scheme. This embedding of logic serves as a condition for (i) logic-guided data collection and (ii) diffusion-based policy training, encouraging trajectories that are consistent with the desired ordering and coordination requirements. Experiments on multi-agent LTLDiff manipulation tasks demonstrate improved task success rates compared to the baseline. Together, these contributions demonstrate the effectiveness of LTLDiff for coordinated multi-agent manipulation.
- Abstract（参考訳）: 多エージェントロボット操作タスクは、タスクレベルの時間的、論理的、安全上の制約を満たすためにエージェント間の調整を必要とする。
近年,この課題の遂行に拡散政策が用いられている。
しかしそれでも、同時またはシーケンシャルなマルチエージェントインタラクションを必要とするタスクにおいて、非同期化、不正なアクション順序付け、調整の失敗に悩まされている。
そこで,LTLDiff は実演生成と拡散ポリシによる学習の両方のための有限線形時間論理(LTLf)仕様学習を組み合わせたフレームワークとして提案されている。
各タスクは、大規模言語モデルを用いて自然言語命令のセットから学習される特定のLTLf式を持つ。
言語モデルから学習した仕様の固定次元ベクトル埋め込みを可能にするため、LTLfは抽象構文木表現スキームを使用する。
この論理の埋め込みは条件として役立ちます
(i)論理誘導データ収集及び
二 拡散に基づく政策訓練、所望の順序付け及び調整要件に整合した軌道を奨励すること。
多エージェントLTLDiff操作タスクの実験では、ベースラインと比較してタスク成功率が改善された。
これらのコントリビューションは、協調マルチエージェント操作におけるLTLDiffの有効性を示すものである。
関連論文リスト
- Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。
ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
論文 参考訳（メタデータ） (2026-09-04T23:32:11Z) - Generalizable Multi-Agent Planning from Signal Temporal Logic Specifications via Diffusion [3.7331950863394856]
マルチエージェントシステムは衝突を避けながら、豊かな時間的タスクを満たさなければならない。
現在の信号時間論理(STL)計画手法は限界に直面している。
STL仕様を用いたマルチエージェント計画のための新しい拡散法を提案する。
論文 参考訳（メタデータ） (2026-08-30T00:38:31Z) - Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。
本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
論文 参考訳（メタデータ） (2026-05-07T14:19:17Z) - Semantically Labelled Automata for Multi-Task Reinforcement Learning with LTL Instructions [61.479946958462754]
エージェントが単一のユニバーサルポリシーを学習する環境であるマルチタスク強化学習(RL)について検討する。
本稿では,新世代の意味翻訳を利用したタスク埋め込み手法を提案する。
論文 参考訳（メタデータ） (2026-02-06T14:46:27Z) - Zero-Shot Instruction Following in RL via Structured LTL Representations [54.08661695738909]
リニア時間論理(LTL)は、強化学習(RL)エージェントのための複雑で構造化されたタスクを特定するための魅力的なフレームワークである。
近年の研究では、命令を有限オートマトンとして解釈し、タスク進捗を監視する高レベルプログラムと見なすことができ、テスト時に任意の命令を実行することのできる1つのジェネラリストポリシーを学習できることが示されている。
本稿では,この欠点に対処する任意の命令に従うために,マルチタスクポリシーを学習するための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-12-02T10:44:51Z) - Interactive and Expressive Code-Augmented Planning with Large Language Models [62.799579304821826]
大きな言語モデル(LLM)は、常識的推論と対話的な意思決定において強力な能力を示す。
近年,制御フローなどのコード・アジャセント技術を用いてLCM出力を構造化し,計画性能を向上させる技術が提案されている。
完全コード表現で動的なLEM計画手法であるREPL-Planを提案する。
論文 参考訳（メタデータ） (2024-11-21T04:23:17Z) - Nl2Hltl2Plan: Scaling Up Natural Language Understanding for Multi-Robots Through Hierarchical Temporal Logic Task Representation [8.180994118420053]
Nl2Hltl2Planは自然言語コマンドを階層線形時間論理(LTL)に変換するフレームワーク
まず、LLMは命令を階層的なタスクツリーに変換し、論理的および時間的関係をキャプチャする。
次に、微調整されたLLMは、サブタスクをフラットな公式に変換し、階層的な仕様に集約する。
論文 参考訳（メタデータ） (2024-08-15T14:46:13Z) - Simultaneous Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications [8.471147498059235]
有限トレース (LTL$_f$) 上で広く使用される仕様型の階層構造を導入する。
HLTL$_f$と呼ばれる結果の言語は、構文とセマンティクスの両方で定義される。
また,マルチロボットシステムの設計計画を合成するための検索ベースアプローチも開発している。
論文 参考訳（メタデータ） (2024-01-08T16:35:13Z) - Decomposition-based Hierarchical Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications [9.150196865878234]
時間論理仕様を用いたロボット計画のための分解に基づく階層的枠組みを定式化する。
混合線形プログラムは、様々なロボットにサブタスクを割り当てるために使用される。
本手法はナビゲーションと操作の領域に実験的に適用された。
論文 参考訳（メタデータ） (2023-08-20T23:53:13Z) - On Conditional and Compositional Language Model Differentiable Prompting [75.76546041094436]
プロンプトは、下流タスクでうまく機能するために、凍結した事前訓練言語モデル(PLM)を適応するための効果的な方法であることが示されている。
タスク命令や入力メタデータを連続的なプロンプトに変換することを学習する新しいモデル Prompt Production System (PRopS) を提案する。
論文 参考訳（メタデータ） (2023-07-04T02:47:42Z) - Procedures as Programs: Hierarchical Control of Situated Agents through
Natural Language [81.73820295186727]
エージェント命令と制御のための階層的な手続き的知識を表現する強力な手法である,プログラムとしての手続きの形式化を提案する。
NL命令に対するIQAおよびALFREDデータセット上で、このフレームワークをインスタンス化する。
論文 参考訳（メタデータ） (2021-09-16T20:36:21Z)
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。