論文の概要: Toward Self-Adaptive Physical AI: Can LLM Agents Manage Long-Horizon Physical Tasks?

• arxiv url: http://arxiv.org/abs/2609.13436v1
• Date: Fri, 11 Sep 2026 18:52:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 12:40:38.814274
• Title: Toward Self-Adaptive Physical AI: Can LLM Agents Manage Long-Horizon Physical Tasks?
• Title（参考訳）: 自己適応型物理AIに向けて:LLMエージェントは長距離物理タスクを管理できるか?
• Abstract要約: 大規模言語モデル(LLM)エージェントは、人間の介入なしに長期的な物理的タスクを自律的に管理するための、有望な道を提供する。 既存のアプローチでは、実質的なデータと再トレーニングが必要か、主に仮想世界で動作しているエージェントに焦点を当てる。 我々は、長期の物理的タスクをゼロショットで管理し、人間の介入なしに環境変化に適応する自己適応型物理AIエージェントを構築する可能性を探る。
• 参考スコア（独自算出の注目度）: 1.6822770693792826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Model (LLM) agents offer a promising path toward autonomously managing long-term physical tasks without human intervention. However, physical tasks require agents to continuously observe the environment, make consequential actions, and remain effective as the environment changes. Existing approaches either require substantial data and retraining, or primarily focus on agents operating in the virtual world. In this work, we explore the feasibility of building a self-adaptive physical AI agent that manages long-term physical tasks in a zero-shot manner and adapts to environmental changes without human intervention. We design a multi-agent framework that integrates planning, tool calling, observation, and verification, and evaluate it on agricultural tasks against reinforcement learning (RL) agents under different weather patterns. Our results show that zero-shot LLM agents can achieve comparable management outcomes to RL agents under the same weather pattern and adapt more effectively than RL when evaluated under a shifted environment, highlighting a promising path toward self-adaptive physical AI agents.
• Abstract（参考訳）: 大きな言語モデル(LLM)エージェントは、人間の介入なしに長期的な物理的タスクを自律的に管理するための、有望な道を提供する。 しかし、物理的なタスクは、エージェントが環境を継続的に観察し、連続的なアクションをし、環境の変化に従って効果を維持する必要がある。 既存のアプローチでは、実質的なデータと再トレーニングが必要か、主に仮想世界で動作しているエージェントに焦点を当てる。 本研究では,人間による介入を伴わずに,長期的物理的タスクをゼロショットで管理し,環境変化に適応する自己適応型物理AIエージェントの実現可能性について検討する。 我々は、計画、ツールコール、観察、検証を統合したマルチエージェントフレームワークを設計し、異なる気象条件下での強化学習(RL)エージェントに対する農業タスクで評価する。 その結果、ゼロショットLLMエージェントは、同じ気象パターンの下でRLエージェントに匹敵する管理結果を達成でき、シフトした環境下でRLよりも効果的に適応できることが示され、自己適応型物理AIエージェントへの有望な道のりが浮かび上がった。

関連論文リスト

• State2State: Environment-Derived Mid-Training for LLM Agents [67.08889234341996]
  本研究では,エージェントが環境相互作用のみを通じてインタラクションと操作能力を取得する環境学習パラダイムについて検討する。 本研究では,調査対象の環境状態を学習目標に変換する環境学習手法であるState2Stateを提案する。 ALFWorldとScienceWorldの実験によると、State2Stateは、ほとんどの設定において、スタンドアロンの環境学習ステージとしてのエージェントパフォーマンスを改善している。
  論文  参考訳（メタデータ） (2026-08-05T15:02:41Z)
• Role-Agent: Bootstrapping LLM Agents via Dual-Role Evolution [25.26084224278813]
  Role-Agentは単一のLarge Language Model(LLM)を使用してエージェントと環境の両方として同時に機能する。 Role-Agentはパフォーマンスを継続的に改善し、強いベースラインよりも平均4%以上向上する。
  論文  参考訳（メタデータ） (2026-06-09T14:28:07Z)
• Agent-World: Scaling Real-World Environment Synthesis for Evolving General Agent Intelligence [122.8626256816085]
  textbfAgent-Worldは、スケーラブルな環境を通じて汎用エージェントインテリジェンスを前進させるための自己進化型トレーニングアリーナである。 Agent-World-8Bと14Bは、強力なプロプライエタリなモデルと環境スケーリングベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-20T14:01:10Z)
• Autonomous Continual Learning of Computer-Use Agents for Environment Adaptation [57.65688895630163]
  ACuRLは自律的なカリキュラム強化学習フレームワークで、エージェントを人間データゼロの特定の環境に継続的に適応させる。 本研究では,環境内学習と環境横断学習の両方を効果的に実現し,既存の環境を忘れずに4～22%の性能向上を実現した。
  論文  参考訳（メタデータ） (2026-02-10T23:06:02Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [112.04307762405669]
  G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。 G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
  論文  参考訳（メタデータ） (2024-10-06T10:49:40Z)
• Tradeoffs When Considering Deep Reinforcement Learning for Contingency Management in Advanced Air Mobility [0.0]
  航空輸送は、Advanced Air Mobility (AAM)の導入により、世界中で急速に進化している。 運用上の安全性と効率の目標を達成するためには、自動化のレベルが増加する必要がある。 本稿では,複雑・高次元環境において有望な性能を示す深層強化学習(DRL)の利用について検討する。
  論文  参考訳（メタデータ） (2024-06-28T19:09:55Z)
• Ego-Foresight: Self-supervised Learning of Agent-Aware Representations for Improved RL [26.169030913260084]
  本研究では,移動と予測に基づくエージェントと環境の自己管理手法であるEgo-Foresightを提案する。 エージェントのビジュモータ予測による自己監督型エージェント認識は,RLアルゴリズムのサンプル効率と性能を向上させる。
  論文  参考訳（メタデータ） (2024-05-27T13:32:43Z)
• HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
  HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。 このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
  論文  参考訳（メタデータ） (2024-01-23T18:59:43Z)
• Transferable Curricula through Difficulty Conditioned Generators [8.140037969280716]
  強化学習(RL)は、Starcraft、Go、Chessなどの複雑なタスクにおいて、超人的なパフォーマンスを示す。 近年のカリキュラム生成手法はRLエージェントを効率的に訓練することに重点を置いている。 私たちは名前のついた方法を紹介します。 パラメータ化環境におけるRLエージェントのトレーニングにおいて有望な結果を示す環境応答モデル(PERM)。
  論文  参考訳（メタデータ） (2023-06-22T16:45:45Z)

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。