論文の概要: Design and Evaluation of LLM Chaining-Based Task Planning for General Purpose Service Robots

• arxiv url: http://arxiv.org/abs/2609.29043v1
• Date: Thu, 24 Sep 2026 05:23:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.734507
• Title: Design and Evaluation of LLM Chaining-Based Task Planning for General Purpose Service Robots
• Title（参考訳）: 汎用サービスロボットにおけるLCMチェイン型タスク計画の設計と評価
• Abstract要約: 汎用サービスロボット(GPSR)タスクは、多様な自然言語コマンドを解釈し、多段階のアクションシーケンスを生成するロボットを必要とする。 命令分類とアクション生成を2つの特別な段階に分けたLLM連鎖アーキテクチャを提案する。 我々は,ローカルなオープンソースおよびフロンティアクラウドデプロイメントコンテキストにまたがる3つの言語モデルに対して,ランダムに生成された100個のGPSRコマンドを用いて,本手法の評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: General Purpose Service Robot (GPSR) tasks, as defined in the RoboCup@Home benchmark, require robots to interpret diverse natural language commands and generate multi-step action sequences in real home environments. Conventional Single Prompt (SP) approaches suffer from context bloat and the "Lost in the Middle" phenomenon, leading to unreliable task planning. We propose an LLM chaining architecture that separates instruction classification and action generation into two specialized stages, reducing per-inference prompt length by approximately 45% while improving planning consistency. We evaluate our method using 100 randomly generated GPSR commands across three language models spanning local open-source and frontier cloud deployment contexts. Results show consistent planning improvements over SP across all models, with gains of up to +37 percentage points on local models. Further, real-robot execution experiments on the Toyota Human Support Robot (HSR) reveal that planning success alone does not guarantee task completion, with 6 of 10 tasks completing successfully and execution-layer failures identified as the primary remaining bottleneck.
• Abstract（参考訳）: 汎用サービスロボット(GPSR)タスクは、RoboCup@Homeベンチマークで定義されているように、さまざまな自然言語コマンドを解釈し、実家環境で多段階のアクションシーケンスを生成する必要がある。 従来のSingle Prompt(SP)アプローチは、コンテキスト肥大と"Lost in the Middle"現象に悩まされ、信頼性の低いタスクプランニングに繋がる。 命令分類とアクション生成を2つの特別な段階に分離し,計画整合性を改善しつつ,推論毎のプロンプト長を約45%削減するLLM連鎖アーキテクチャを提案する。 我々は,ローカルなオープンソースおよびフロンティアクラウドデプロイメントコンテキストにまたがる3つの言語モデルに対して,ランダムに生成された100個のGPSRコマンドを用いて,本手法の評価を行った。 その結果、すべてのモデルでSPよりも一貫した計画の改善が示され、ローカルモデルでは最大+37ポイントのゲインが得られた。 さらに、Toyota Human Support Robot(HSR)における実ロボット実行実験では、計画の成功だけではタスク完了を保証せず、10タスクのうち6タスクが正常に完了し、実行層障害が主要なボトルネックとして認識されていることが明らかになった。

関連論文リスト

• Reducing Mental Workload through On-Demand Human Assistance for Physical Action Failures in LLM-based Multi-Robot Coordination [6.763690463901024]
  本研究では,リモートエラー解決をマルチロボット計画に統合するヒューマン・イン・ザ・ループ・フレームワークを提案する。 この方法では、ロボットは自律的にタスクを実行するが、発見不可能な障害が発生した場合、LLMはオペレーターに支援を要求する。 簡単に収集可能なアイテムを収集するために、フルリモートコントロールと同等のタスクの進捗を達成した。
  論文  参考訳（メタデータ） (2026-03-30T08:21:04Z)
• H-AIM: Orchestrating LLMs, PDDL, and Behavior Trees for Hierarchical Multi-Robot Planning [3.2800662172795114]
  H-AIMは、新しいマルチロボットタスク計画フレームワークである。 命令を解析し、計画ドメイン定義言語(PDDL)問題記述を生成するために、大きな言語モデル(LLM)を利用する。 結果のプランを、リアクティブコントロールのための行動ツリーにコンパイルする。
  論文  参考訳（メタデータ） (2026-01-16T07:59:50Z)
• 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)
• REMAC: Self-Reflective and Self-Evolving Multi-Agent Collaboration for Long-Horizon Robot Manipulation [57.628771707989166]
  本稿では,ReMACと呼ばれる適応型マルチエージェント計画フレームワークを提案する。 ReMACには2つの重要なモジュールが組み込まれており、ループ内で事前条件と後条件チェックを実行し、進捗と計画の洗練を評価する。
  論文  参考訳（メタデータ） (2025-03-28T03:51:40Z)
• COHERENT: Collaboration of Heterogeneous Multi-Robot System with Large Language Models [49.24666980374751]
  COHERENTは、異種マルチロボットシステムの協調のための新しいLCMベースのタスク計画フレームワークである。 提案-実行-フィードバック-調整機構は,個々のロボットに対して動作を分解・割り当てするように設計されている。 実験の結果,我々の研究は,成功率と実行効率の面で,従来の手法をはるかに上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-23T15:53:41Z)
• Probabilistically Correct Language-based Multi-Robot Planning using Conformal Prediction [11.614036749291216]
  本稿では,S-ATLAS for Safe plAnning for Teams of Language-instructed Agentsを提案する。 提案したプランナは,計画実行が成功すると仮定して,ユーザ指定のタスク成功率を達成可能であることを示す。 我々は,本手法が計算効率が高く,ヘルプレートが低いことを示す関連研究との比較実験を行った。
  論文  参考訳（メタデータ） (2024-02-23T15:02:44Z)
• Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
  大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T22:54:44Z)

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。