論文の概要: LEMCA: LLM-Guided Synthesis of Efficient Mode-Switching Control Architectures
- arxiv url: http://arxiv.org/abs/2609.21319v1
- Date: Fri, 18 Sep 2026 04:55:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.863595
- Title: LEMCA: LLM-Guided Synthesis of Efficient Mode-Switching Control Architectures
- Title（参考訳）: LEMCA:高効率モードスイッチング制御アーキテクチャのLCM誘導合成
- Abstract要約: モジュールスイッチングコントローラ (MSC) は歴史的に, それぞれの新しいタスクに対して, 精巧で専門的な設計と合成を必要としてきた。
効率的なモードスイッチング制御アーキテクチャ(LEMCA)のLCM誘導合成法を提案する。
LEMCAはMSCの設計を進化ループで反復的に洗練される解釈可能なプログラムとして表現している。
- 参考スコア（独自算出の注目度）: 24.50042314352599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physical control tasks in the natural world, such as driving or object manipulation, frequently exhibit dramatic variations in sensory and compute complexity over time. Correspondingly, a natural resource-efficient choice for robot control is to dynamically switch between control modes with varying resource allocations. However, such "mode-switching controllers" (MSCs) have historically required laborious, expert-driven design and synthesis for each new task. Driven by these design difficulties, modern robotic control architectures often fall back to a wasteful "monolithic" one-size-fits-all structure, where resource allocation is permanently anchored to the hardest, most resource-intensive task phases. To facilitate the design of performant yet efficient MSCs, we propose LLM-Guided synthesis of Efficient Mode-Switching Control Architectures (LEMCA). LEMCA represents MSC designs as interpretable programs to be iteratively refined in an evolutionary loop. To evaluate design fitness, we propose MSC-compatible extensions of automated controller synthesis approaches, such as reinforcement learning in simulation. LEMCA then leverages the semantic priors, reasoning, and coding capabilities of Large Language Models (LLMs) to iteratively edit controller modes, their corresponding sensory-compute resource allocations, and mode transitions. Our experiments across diverse control benchmarks show that LEMCA consistently discovers strategies that surpass the Pareto frontier of monolithic designs by reclaiming wasted resources during "easy" task phases. LEMCA thus presents an automated, low-effort path to synthesize resource-efficient MSC designs.
- Abstract（参考訳）: 運転や物体操作などの自然界における物理的制御タスクは、時間とともに感覚や計算の複雑さが劇的に変化する。
ロボット制御における自然資源効率の選択は、資源割り当ての異なる制御モードを動的に切り替えることである。
しかし、これらの「モードスイッチングコントローラ」(MSC)は、歴史的に各新しいタスクに精巧で専門家主導の設計と合成を必要としてきた。
これらの設計上の困難により、現代のロボット制御アーキテクチャは、リソース割り当てが最も困難でリソース集約的なタスクフェーズに永久に固定される、無駄な"モノリシックな"ワンサイズフィット構造に回帰することが多い。
高性能で効率的なMSCの設計を容易にするため,効率的なモードスイッチング制御アーキテクチャ(LEMCA)のLCM誘導合成を提案する。
LEMCAはMSCの設計を進化ループで反復的に洗練される解釈可能なプログラムとして表現している。
設計適合性を評価するため,シミュレーションにおける強化学習などの自動制御器合成手法のMSC互換拡張を提案する。
LEMCAは次に、Large Language Models (LLMs) のセマンティックプリエンス、推論、コーディング機能を活用して、コントローラモード、対応する知覚計算リソース割り当て、モード遷移を反復的に編集する。
多様な制御ベンチマークを用いた実験により, LEMCAは, 作業段階の無駄な資源を再利用することで, モノリシックデザインのParetoフロンティアを越える戦略を常に発見していることがわかった。
LEMCAは、資源効率の良いMSC設計を合成するための、自動化された低効率パスを提供する。
関連論文リスト
- CEDAR: Agent-Orchestrated Tree Search for Goal-Directed Optimization of Complex Systems [4.66788819655844]
複雑なシステムは非線形でフィードバック駆動の相互作用を通じて様々な現象をモデル化する。
フィードバック構造がどのように創発的な振る舞いをもたらすかを予測することの難しさは、目標指向の設計を非常に困難にします。
確立された実践では、システム構造はDYNAMOやSTELLAといった特殊なモデリング言語で記述される。
我々は,Large Language Model (LLM) エージェントを用いて,ユーザが特定した行動目標を満たす複雑なシステムを発見する自律的手法であるCEDARを紹介する。
論文 参考訳（メタデータ） (2026-08-07T06:54:58Z) - A Continual Learning Framework for Adaptive Control of Modular Soft Robots [4.374184567811783]
ソフトロボットは医療介入、リハビリテーション、ロボット操作などの応用において大きな注目を集めている。
MSRは、複雑なタスクを実行することができる高度に変形可能で再構成可能な構造を持つ、新しいタイプのロボットシステムである。
既存のアプローチでは、ロボットの形態が変わるたびにコントローラーをスクラッチから再訓練する必要がある。
本稿では,ロボット形態の変化に漸進的に適応できる連続学習型制御フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-07T19:11:07Z) - AR-MOT: Autoregressive Multi-object Tracking [56.09738000988466]
本稿では,大規模言語モデル(LLM)フレームワーク内のシーケンス生成タスクとしてMOTを定式化する,新しい自己回帰パラダイムを提案する。
この設計により、タスク固有のヘッドを必要とせずに、フレキシブルなシーケンス構成によって構造化された結果を出力できる。
地域レベルの視覚知覚を高めるために,事前訓練された検出器に基づくオブジェクト・トケナイザを導入する。
論文 参考訳（メタデータ） (2026-01-05T09:17:28Z) - Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。
条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。
各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。
実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
論文 参考訳（メタデータ） (2025-10-09T05:28:28Z) - LLMs-guided adaptive compensator: Bringing Adaptivity to Automatic Control Systems with Large Language Models [22.989496527440636]
大規模言語モデル(LLM)はロボット工学にますます応用されている。
コントローラをスクラッチから設計するのを避けるLLM誘導適応補償フレームワークを提案する。
本研究では,LLMを自動制御の分野に適用するための新たな方向性を開拓する。
論文 参考訳（メタデータ） (2025-07-28T04:12:43Z) - Autonomous Control Leveraging LLMs: An Agentic Framework for Next-Generation Industrial Automation [0.0]
本稿では,大規模言語モデル(LLM)を個別のフォールトリカバリ計画と継続的プロセス制御の両方に活用する統合エージェントフレームワークを提案する。
その結果、構造化されたフィードバックとモジュラーエージェントにより、LLMは高レベルな記号計画と低レベルな連続制御を統一できることを示した。
論文 参考訳（メタデータ） (2025-07-03T11:20:22Z) - MAS-ZERO: Designing Multi-Agent Systems with Zero Supervision [76.42361936804313]
自動MAS設計のための自己進化型推論時間フレームワークMAS-ZEROを紹介する。
MAS-ZEROはメタレベルの設計を採用し、各問題インスタンスに適したMAS構成を反復的に生成し、評価し、洗練する。
論文 参考訳（メタデータ） (2025-05-21T00:56:09Z) - MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。
MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。
完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
論文 参考訳（メタデータ） (2025-05-12T17:35:43Z) - Meta-Control: Automatic Model-based Control Synthesis for Heterogeneous Robot Skills [10.43221469116584]
本稿では,特定のタスクに合わせて,カスタマイズされた状態表現と制御戦略を作成するメタコントロルを提案する。
私たちの中核的な洞察は、人間の専門家が制御システムの設計に使用する思考プロセスを自動化するために、メタ制御システムを構築することができるということです。
論文 参考訳（メタデータ） (2024-05-18T19:58:44Z) - Controllable Dynamic Multi-Task Architectures [92.74372912009127]
本稿では,そのアーキテクチャと重みを動的に調整し,所望のタスク選択とリソース制約に適合させる制御可能なマルチタスクネットワークを提案する。
本稿では,タスク親和性と分岐正規化損失を利用した2つのハイパーネットの非交互トレーニングを提案し,入力の嗜好を取り入れ,適応重み付き木構造モデルを予測する。
論文 参考訳（メタデータ） (2022-03-28T17:56:40Z)
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。