論文の概要: Code to Control: Synthesizing Parameterized Reactive Controllers

• arxiv url: http://arxiv.org/abs/2609.38733v1
• Date: Wed, 30 Sep 2026 01:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.934544
• Title: Code to Control: Synthesizing Parameterized Reactive Controllers
• Title（参考訳）: 制御のためのコード:パラメータ化リアクティブコントローラの合成
• Abstract要約: ポリシーとして直接実行するPythonコントローラを合成するアプローチであるCode to Controlを紹介する。 LLMはコントローラ構造を合成するが、デリバティブフリーサーチは環境からのフィードバックを用いて、そのパラメータを連続制御に適合させる。 一度学習すると、結果として得られるコントローラはLLM推論も決定時の計画も必要とせず、リアルタイムのゲームプレイを可能にし、我々のタイミングプロトコルの下では、PPOポリシーよりも高速なアクション選択を行う。
• 参考スコア（独自算出の注目度）: 45.16527713329835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent LLM-based approaches to control either invoke a language model to select actions or synthesize world models that require planning at every decision, introducing latency that can limit real-time use. We introduce Code to Control, an approach that synthesizes Python controllers which execute directly as policies. Code to Control separates program structure from parameters. An LLM synthesizes the controller structure, while derivative-free search fits its parameters for continuous control using feedback from the environment. Once learned, the resulting controllers require neither LLM inference nor planning at decision time, enabling real-time gameplay and, under our timing protocol, faster action selection than a PPO policy. Across a suite of Atari games, Flappy Bird, and MuJoCo tasks, Code to Control outperforms planning-based program synthesis methods, remains competitive with deep reinforcement learning while using fewer environment interactions, transfers across substantial changes in environment dynamics, and scales to complex locomotion tasks.
• Abstract（参考訳）: 最近のLCMベースの制御アプローチでは、アクションを選択するための言語モデルを呼び出すか、意思決定毎に計画を必要とする世界モデルを合成し、リアルタイム使用を制限する遅延を導入する。 ポリシーとして直接実行するPythonコントローラを合成するアプローチであるCode to Controlを紹介する。 Code to Controlはプログラム構造をパラメータから分離する。 LLMはコントローラ構造を合成するが、デリバティブフリーサーチは環境からのフィードバックを用いて、そのパラメータを連続制御に適合させる。 一度学習すると、結果として得られるコントローラはLLM推論も決定時の計画も必要とせず、リアルタイムゲームプレイを可能にし、我々のタイミングプロトコルの下では、PPOポリシーよりも高速なアクション選択を行う。 Atariゲーム、Flappy Bird、MuJoCoタスクのスイート全体において、Code to Controlは計画ベースのプログラム合成方法よりも優れており、より少ない環境相互作用を使用しながら、深い強化学習と競争し続けている。

関連論文リスト

• LEMCA: LLM-Guided Synthesis of Efficient Mode-Switching Control Architectures [24.50042314352599]
  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。
  論文  参考訳（メタデータ） (2026-09-18T04:55:33Z)
• EasySteer: A Unified Framework for High-Performance and Extensible LLM Steering [55.56674028743782]
  大規模言語モデル(LLM)のステアリングは、推論時にモデル動作を制御するための有望なパラダイムとして登場した。 我々は,vLLM上に構築された高性能LLMステアリングのための統合フレームワークであるEasySteerを提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:59:07Z)
• Synthesizing Interpretable Control Policies through Large Language Model Guided Search [7.706225175516503]
  Pythonのような標準言語のプログラムとしてコントロールポリシを表現しています。 シミュレーションで候補コントローラを評価し,事前学習したLLMを用いてそれらを進化させる。 本手法は,カップタスクにおける振り子の振り上げとボールの解釈可能な制御ポリシの合成への応用を通して述べる。
  論文  参考訳（メタデータ） (2024-10-07T18:12:20Z)
• 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)
• ReACT: Reinforcement Learning for Controller Parametrization using B-Spline Geometries [0.0]
  本研究は,N次元B-スプライン測地(BSG)を用いた深部強化学習(DRL)を用いた新しいアプローチを提案する。 本稿では,操作条件に依存する複雑な振る舞いを持つシステムのクラスであるパラメータ変量システムの制御に焦点をあてる。 多数の動作条件に依存するコントローラパラメータをマッピングするために,BSGを導入し,適応処理をより効率的にする。
  論文  参考訳（メタデータ） (2024-01-10T16:27:30Z)
• TLControl: Trajectory and Language Control for Human Motion Synthesis [68.09806223962323]
  本稿では,人間のリアルな動き合成のための新しい手法であるTLControlを提案する。 低レベルのTrajectoryと高レベルのLanguage semanticsコントロールが組み込まれている。 インタラクティブで高品質なアニメーション生成には実用的である。
  論文  参考訳（メタデータ） (2023-11-28T18:54:16Z)
• Policy Search for Model Predictive Control with Application to Agile Drone Flight [56.24908013905407]
  MPCのためのポリシ・フォー・モデル・予測制御フレームワークを提案する。 具体的には、パラメータ化コントローラとしてMPCを定式化し、パラメータ化の難しい決定変数を高レベルポリシーとして表現する。 シミュレーションと実環境の両方において,我々の制御器が堅牢かつリアルタイムに制御性能を発揮することを示す実験を行った。
  論文  参考訳（メタデータ） (2021-12-07T17:39:24Z)
• Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control [37.10638636086814]
  完全分散無線制御システム(WNCS)の周波数チャネル数に制限のある結合アップリンクとダウンリンクのスケジューリング問題を考える。 深層強化学習(DRL)に基づくフレームワークを開発した。 DRLにおける大きなアクション空間の課題に対処するために,新しいアクション空間削減法とアクション埋め込み法を提案する。
  論文  参考訳（メタデータ） (2021-09-26T11:27:12Z)
• Learning a Contact-Adaptive Controller for Robust, Efficient Legged Locomotion [95.1825179206694]
  四足歩行ロボットのためのロバストコントローラを合成するフレームワークを提案する。 高レベルコントローラは、環境の変化に応じてプリミティブのセットを選択することを学習する。 確立された制御方法を使用してプリミティブを堅牢に実行する低レベルコントローラ。
  論文  参考訳（メタデータ） (2020-09-21T16:49:26Z)

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。