論文の概要: AeroWeaver: An Embodied-Agent Harness for Weaving Aerial Skills into Distributed, Adaptive Swarm Execution

• arxiv url: http://arxiv.org/abs/2609.18520v1
• Date: Wed, 16 Sep 2026 11:49:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.77764
• Title: AeroWeaver: An Embodied-Agent Harness for Weaving Aerial Skills into Distributed, Adaptive Swarm Execution
• Title（参考訳）: AeroWeaver: エアリアルスキルを分散的かつ適応的なSwarm実行に織り込むためのエンボディード・アジェント・ハーネス
• Abstract要約: AeroWeaverは、個々のUAVスキルを調整されたミッションレベルの振る舞いに織り込む、エンボディエージェントハーネスである。 AeroWeaverは、セマンティックな決定を管理するスキルに接続し、分散コーディネーションのためにロール条件のローカルエージェントを編成し、ロールインデックスのステート-アクション-リワードエクスペリエンスを使用して、スキル選択をオンラインで洗練する。
• 参考スコア（独自算出の注目度）: 7.818435216278246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collective intelligence is a collaborative autonomy paradigm in which multiple agents pursue shared objectives through local perception, information exchange, and coordinated action. UAV swarms embody this paradigm by coordinating multiple vehicles in tasks such as search, inspection, and tracking. Recent advances in large language model (LLM) agents have strengthened natural-language task understanding and high-level planning, providing a flexible semantic interface between mission descriptions and collective behavior. While these advances expand semantic reasoning, applying LLM agents to UAV swarms raises challenges in grounding model decisions in executable capabilities, reconciling global task reasoning with distributed execution, and using mission-specific experience for continual adaptation. To address these challenges, we introduce AeroWeaver, an embodied-agent harness that weaves individual UAV skills into coordinated mission-level behavior. AeroWeaver connects semantic decisions to governed skills, organizes role-conditioned local agents for distributed coordination, and uses role-indexed state-action-reward experience to refine skill selection online. Experiments and runtime validation show that AeroWeaver maintains valid skill execution under tested conditions and supports body-local multi-UAV operation without a central agent generating joint actions from global context, while reward-guided online updates provide a training-free path for adaptive learning swarm agents from accumulated execution experience. Code: https://github.com/Admire-ljb/AeroWeaver.
• Abstract（参考訳）: 集団インテリジェンス(英: Collective Intelligence)は、複数のエージェントが局所的な認識、情報交換、協調行動を通じて共通の目的を追求する、協調的な自律パラダイムである。 UAVは、探索、検査、追跡などのタスクで複数の車両を調整することで、このパラダイムを具現化している。 大規模言語モデル(LLM)エージェントの最近の進歩は、自然言語のタスク理解と高レベル計画を強化し、ミッション記述と集合行動の間の柔軟なセマンティックインターフェースを提供する。 これらの進歩はセマンティック推論を拡大する一方で、LLMエージェントをUAVスワムに適用することで、実行可能能力におけるモデル決定の基盤化、分散実行によるグローバルタスク推論の整合、継続的な適応のためのミッション固有の経験の使用といった課題を提起する。 これらの課題に対処するために、個々のUAVスキルを協調したミッションレベルの振る舞いに織り込むエロウィーバー(AeroWeaver)を紹介する。 AeroWeaverは、セマンティックな決定を管理するスキルに接続し、分散コーディネーションのためにロール条件のローカルエージェントを編成し、ロールインデックスのステート-アクション-リワードエクスペリエンスを使用して、スキル選択をオンラインで洗練する。 実験と実行時の検証では、AeroWeaverはテスト条件下で有効なスキル実行を維持し、グローバルコンテキストから共同アクションを生成する中央エージェントを使わずに、ボディローカルなマルチUAV操作をサポートする。 コード:https://github.com/Admire-ljb/AeroWeaver。

関連論文リスト

• CERA-MoA: Co-Evolving Routing Mechanisms with Continually Learning LLM Agents [15.175328654638058]
  現在のMixture-of-Agents(MoA)パラダイムは、クエリルーティングとエージェントの微調整を別々のプロセスとして扱う。 本稿では,動的ルータと独立エージェントポリシーを併用した反復強化学習フレームワークCERA-MoAを紹介する。 CERA-MoAは最先端の静的エージェントルーティングや修正ワークフローの微調整ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-09-16T15:01:23Z)
• 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)
• Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills [53.15216425100295]
  本稿では,提案者,解決者,スキルコントローラからなる共進化型フレームワークであるスキルセルフプレイ(スキルSP)を紹介する。 プロジェクタは動的にサンプリングされたスキルを前提とした挑戦的なタスクを生成し、ソルバは能力境界を押し上げるための候補ソリューションを探索し、スキルコントローラは実行フィードバックを収集してスキルライブラリを更新および拡張する。 このインタラクティブな共進化は、構造化された検証とオープンな調査の間のギャップを効果的に埋める。
  論文  参考訳（メタデータ） (2026-07-24T17:59:22Z)
• 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)
• Pushing Forward Pareto Frontiers of Proactive Agents with Behavioral Agentic Optimization [61.641777037967366]
  プロアクティブな大規模言語モデル(LLM)エージェントは、複数のターンで積極的に計画し、クエリし、相互作用することを目的としている。 エージェント強化学習(RL)は、マルチターン環境でエージェントを訓練するための有望なソリューションとして登場した。 本稿では,行動強化と情報収集能力の強化を両立させたエージェントRLフレームワークであるBAOを提案する。
  論文  参考訳（メタデータ） (2026-02-11T20:40:43Z)
• CoordField: Coordination Field for Agentic UAV Task Allocation In Low-altitude Urban Scenarios [18.95579655633218]
  CoordFieldは、複雑な都市シナリオにおける異種ドローン群をコーディネートするための調整フィールドエージェントシステムである。 LLMは、高レベルの人間の命令を解釈し、それをUAVスワムの実行可能なコマンドに変換する役割を担っている。 UAV動作とタスク選択を誘導するコーディネーションフィールド機構を提案し,創発的タスクの分散および適応的アロケーションを可能にする。
  論文  参考訳（メタデータ） (2025-04-30T18:02:45Z)
• Cooperative Cognitive Dynamic System in UAV Swarms: Reconfigurable Mechanism and Framework [80.39138462246034]
  UAVスワムの管理を最適化するための協調認知力学システム(CCDS)を提案する。 CCDSは階層的かつ協調的な制御構造であり、リアルタイムのデータ処理と意思決定を可能にする。 さらに、CCDSは、UAVスワムのタスクを効率的に割り当てるための生体模倣機構と統合することができる。
  論文  参考訳（メタデータ） (2024-05-18T12:45:00Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)

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。