論文の概要: CoAdapt: An LLM-based Framework for Adaptive Collaborative Perception in IIoT Robotic Swarms
- arxiv url: http://arxiv.org/abs/2609.16852v1
- Date: Tue, 15 Sep 2026 08:44:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.420161
- Title: CoAdapt: An LLM-based Framework for Adaptive Collaborative Perception in IIoT Robotic Swarms
- Title（参考訳）: CoAdapt: IIoTロボット群における適応的協調知覚のためのLLMベースのフレームワーク
- Abstract要約: CoAdaptは、IIoTロボット群のための適応型協調認識フレームワークである。
提案手法は,静的ベースライン手法に匹敵する検出精度を維持しつつ,通信コストを38%削減する。
- 参考スコア（独自算出の注目度）: 2.6155698073666023
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial IoT environments increasingly deploy autonomous mobile robots for tasks such as material handling, product assembly, or infrastructure inspection. In such deployments, collaborative perception enables robots to share LiDAR observations and collectively construct a richer model of their environment than an individual agent could produce alone. However, industrial environments are dynamic spaces where robot positions shift continuously, network bandwidth fluctuates, and the marginal contribution of robots to perception quality varies at runtime. Existing collaborative perception approaches are designed for static participation assumptions and cannot adapt to these dynamics without sacrificing either detection precision or communication efficiency. This paper presents CoAdapt, an adaptive collaborative perception framework for IIoT robotic swarms in which a Large Language Model (LLM) serves as a runtime fusion controller, jointly deciding which robots participate in the fusion process and which fusion algorithm to apply based on the current spatial configuration and network state. The LLM reasons over structured natural language descriptions of the scene derived from raw LiDAR point clouds, requiring no taskspecific training and generalizing to unseen swarm topologies. Evaluated on the OPV2V benchmark across 25 scenarios, our approach achieves a 38% reduction in communication cost while maintaining detection precision comparable to static baseline approaches.
- Abstract（参考訳）: 産業用IoT環境は、マテリアルハンドリングや製品アセンブリ、インフラストラクチャインスペクションといったタスクのために、自律的なモバイルロボットをデプロイする傾向にある。
このような展開において、協調的な知覚により、ロボットはLiDAR観測を共有でき、個々のエージェントが単独で生成できるよりも、よりリッチな環境モデルを構築することができる。
しかし, 産業環境は, ロボットの位置が連続的に変化し, ネットワーク帯域が変動し, 知覚品質に対するロボットの限界寄与が実行時に変化する動的空間である。
既存の協調認識アプローチは静的な参加仮定のために設計されており、検出精度や通信効率を犠牲にすることなくこれらのダイナミクスに適応できない。
本稿では,大規模言語モデル(LLM)が実行時フュージョンコントローラとして機能するIIoTロボット群を対象とした適応型協調認識フレームワークであるCoAdaptについて述べる。
LLMは、生のLiDAR点雲から派生した、構造化された自然言語記述に関する理由から、タスク固有のトレーニングを必要とせず、目に見えないSwarmトポロジーに一般化する。
OPV2Vベンチマークを25シナリオで評価し,静的ベースライン手法に匹敵する検出精度を維持しつつ,通信コストの38%削減を実現した。
関連論文リスト
- 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) - Decentralized Cooperative Localization for Multi-Robot Systems with Asynchronous Sensor Fusion [0.4316181399175028]
分散協調型ローカライゼーションは,GPSを用いた環境下で動作する非ホロノミック移動ロボットにとって有望なアプローチである。
本稿では,拡張カルマンフィルタを用いて,各ロボットが局所的なローカライズを行うフレームワークを提案する。
また、静的環境特徴と移動ロボットの両方を動的ランドマークとして活用するデュアルランドマーク評価フレームワークを導入する。
論文 参考訳（メタデータ） (2026-03-12T15:42:59Z) - 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) - Robotic Grasping and Placement Controlled by EEG-Based Hybrid Visual and Motor Imagery [64.82869118243723]
本稿では,脳波に基づく視覚・運動画像(VI/MI)とロボット制御を統合し,リアルタイム・意図駆動型把握・配置を実現するフレームワークを提案する。
このシステムは、BCI駆動のロボット工学の約束に感銘を受けて、オフラインで事前訓練されたデコーダをゼロショットで展開することによって、ニューラルネットワークを物理的制御でブリッジする。
論文 参考訳（メタデータ） (2026-03-03T17:41:42Z) - Lite VLA: Efficient Vision-Language-Action Control on CPU-Bound Edge Robots [0.6119773373677944]
本研究は,移動ロボットに小型視覚言語モデル(VLM)を配置し,厳密な計算制約の下でリアルタイムのシーン理解と推論を実現することの実現可能性を示す。
移動性から知覚を分離する従来のアプローチとは異なり、提案フレームワークはオンボードハードウェアのみを使用して動的環境の同時移動と推論を可能にする。
論文 参考訳（メタデータ） (2025-11-07T17:49:14Z) - Heterogeneous Robot Collaboration in Unstructured Environments with Grounded Generative Intelligence [54.91177026001217]
大規模言語モデル(LLM)対応のチーム化手法は、よく構造化された既知の環境を前提とするのが一般的である。
異種ロボットチームにおけるLCMの推論能力を基盤として,これらの制約に対処するフレームワークであるSPINE-HTを提案する。
我々のフレームワークは、従来のLLM対応の不均一なチームリング手法と比較して、ほぼ2倍の成功率を達成する。
論文 参考訳（メタデータ） (2025-10-30T18:24:38Z) - Cooperative and Asynchronous Transformer-based Mission Planning for Heterogeneous Teams of Mobile Robots [1.1049608786515839]
エージェント間の分散意思決定を協調するための協調型非同期トランスフォーマーベースミッションプランニング(CATMiP)フレームワークを提案する。
我々は,CATMiPを2次元グリッドワールドシミュレーション環境で評価し,その性能を計画に基づく探索法と比較した。
論文 参考訳（メタデータ） (2024-10-08T21:14:09Z) - GISR: Geometric Initialization and Silhouette-based Refinement for Single-View Robot Pose and Configuration Estimation [0.0]
GISRは、リアルタイムで実行を優先順位付けするロボット対カメラのポーズ推定手法である。
我々は,GISRを公開データ上で評価し,その性能と精度の両面で,同一クラスの既存手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-05-08T08:39:25Z) - LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [72.81786007015471]
本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。
CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。
評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2024-01-10T00:08:00Z) - HARPS: An Online POMDP Framework for Human-Assisted Robotic Planning and
Sensing [1.3678064890824186]
HARPS(Human Assisted Robotic Planning and Sensing)フレームワークは、ロボットチームにおけるアクティブなセマンティックセンシングと計画のためのフレームワークである。
このアプローチにより、人間が不規則にモデル構造を強制し、不確実な環境で意味的なソフトデータの範囲を拡張することができる。
大規模部分構造環境におけるUAV対応ターゲット探索アプリケーションのシミュレーションは、時間と信念状態の推定において著しく改善されている。
論文 参考訳（メタデータ） (2021-10-20T00:41:57Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z)
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。