論文の概要: OrbitTAMP: Grounding Language Models for Task and Motion Planning in Spacecraft Rendezvous

• arxiv url: http://arxiv.org/abs/2610.01093v1
• Date: Thu, 01 Oct 2026 05:37:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.916998
• Title: OrbitTAMP: Grounding Language Models for Task and Motion Planning in Spacecraft Rendezvous
• Title（参考訳）: OrbitTAMP: 宇宙船ランデブーにおけるタスクと運動計画のための接地言語モデル
• Abstract要約: 大型言語モデル(LLM)ベースのエージェントは、宇宙船RPO計画のための直感的なインタフェースを提供することができる。 本稿では、再利用可能な振る舞いのグラフにLCM推論を基礎として、宇宙船のタスク・アンド・モーション・プランニング(TAMP)のための階層的な枠組みを提案する。 数値実験により、このアーキテクチャは直接LLM生成よりもインテントリカバリを大幅に改善することが示された。
• 参考スコア（独自算出の注目度）: 22.891825351056823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spacecraft rendezvous and proximity operations (RPO) are currently planned through an expertise-intensive process in which engineers translate high-level operational intent into safe, dynamically feasible trajectories, creating a bottleneck to scalable operations. Large language model (LLM)-based agents could offer an intuitive interface for this process, although their outputs are not inherently grounded in orbital dynamics, operational constraints, or the structure of admissible spacecraft maneuvers. To exploit their semantic reasoning while ensuring the generated plan's physical validity, this paper presents a hierarchical framework for spacecraft task-and-motion planning (TAMP) that grounds LLM reasoning in a graph of reusable behaviors and domain-specific planning modules. Within this framework, a pretrained LLM maps a natural-language command to a partial mission specification. The associated planners then resolve unspecified decisions within the admissible operational space. Finally, trajectory optimization converts the completed mission specification into a dynamically feasible trajectory. Numerical experiments demonstrate that this architecture substantially improves intent recovery over direct LLM generation, achieving 98% exact recovery of partial mission specifications across all evaluated splits when backed by frontier LLMs. Additional test-time-compute experiments show that, for a compact 9B model, verifier-guided revision increases exact recovery from 75% to 88%, while broader behavior-plan search independently improves selection among admissible trajectory realizations. Overall, these results establish a scalable and auditable foundation for language-driven agentic planning of spacecraft RPO.
• Abstract（参考訳）: 宇宙船のランデブーと近接運用(RPO)は現在、技術者が高レベルの運用意図を安全かつ動的に実現可能な軌道に変換し、スケーラブルな運用にボトルネックを生じさせる専門的なプロセスを通じて計画されている。 大型言語モデル(LLM)ベースのエージェントは、このプロセスの直感的なインターフェースを提供することができるが、その出力は本質的に軌道力学、運用上の制約、許容可能な宇宙船操作の構造に基礎を置いていない。 本稿では,再利用可能な動作とドメイン固有の計画モジュールのグラフにLLM推論を基盤とした,宇宙船のタスク・アンド・モーション計画(TAMP)の階層的枠組みを提案する。 このフレームワーク内では、事前訓練されたLLMが自然言語コマンドを部分的なミッション仕様にマッピングする。 関連するプランナーは、許容可能な運用空間内で、特定されていない決定を解決します。 最後に、軌道最適化は完了したミッション仕様を動的に実現可能な軌道に変換する。 数値実験により、このアーキテクチャは直接LLM生成よりも意図的回復を著しく改善し、フロンティアLLMによって裏打ちされた場合、評価されたすべての分割で部分的なミッション仕様の98%を正確に回復することを示した。 さらなるテスト時間計算実験により、コンパクトな9Bモデルの場合、検証者誘導リビジョンは75%から88%まで正確なリカバリを向上する一方、より広範な行動計画探索は許容軌道実現の選択を独立に改善することが示された。 全体として、これらの結果は、宇宙船RPOの言語駆動型エージェント計画のためのスケーラブルで監査可能な基盤を確立している。

関連論文リスト

• Semantic Constraint Synthesis for Adaptive Trajectory Optimization via Large Language Models [21.33747651588263]
  軌道最適化は、宇宙探査において安全かつ信頼性の高い自律的な操作を可能にする重要な要素である。 本稿では,大規模言語モデル(LLM)を利用して,ミッション要求の自然言語記述を翻訳するフレームワークを提案する。 宇宙船ランデブーのシナリオにおける実験は、セマンティックミッションの要求から凸軌道最適化問題をリコンディションする上で高い成功率を示す。
  論文  参考訳（メタデータ） (2026-06-02T18:33:38Z)
• Intent-aligned Autonomous Spacecraft Guidance via Reasoning Models [4.254099382808598]
  本稿では,高レベル推論と安全な軌道最適化を結びつける意図整合型宇宙船誘導フレームワークを提案する。 ファンデーションモデルは、まず意図に沿った行動計画を予測し、その後、ウェイポイント生成モデルをウェイポイント制約に変換し、安全な軌道を最適化して計算する。
  論文  参考訳（メタデータ） (2026-04-19T00:25:54Z)
• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• Spatially Grounded Long-Horizon Task Planning in the Wild [49.614308474374035]
  GroundedPlanBenchは、空間的に接地された長距離行動計画のための新しいベンチマークである。 Video-to-Spatially Grounded Planning (V2GP)は、現実のロボットビデオのデモを活用して、空間的地平面の長期計画を改善する自動データ生成フレームワークである。
  論文  参考訳（メタデータ） (2026-03-13T05:42:18Z)
• PILOT: Planning via Internalized Latent Optimization Trajectories for Large Language Models [51.43746425777865]
  大規模言語モデル(LLM)は、しばしばグローバル戦略を定式化する能力に欠けており、長い水平タスクにおけるエラーの伝播につながる。 PILOTは,大規模モデルの戦略的監視を本質的な潜伏誘導に内部化するためのフレームワークである。
  論文  参考訳（メタデータ） (2026-01-07T12:38:56Z)
• HiPlan: Hierarchical Planning for LLM-Based Agents with Adaptive Global-Local Guidance [11.621973074884002]
  HiPlanは、大規模言語モデル(LLM)ベースのエージェントのための階層的計画フレームワークである。 複雑なタスクを、一般的な方向のためのマイルストーンアクションガイドと、詳細なアクションのためのステップワイズヒントに分解する。 オフラインのフェーズでは、専門家によるデモンストレーションからマイルストーンライブラリを構築し、構造化されたエクスペリエンスの再利用を可能にします。 実行フェーズでは、過去のマイルストーンからの軌道セグメントを動的に適応してステップワイズヒントを生成する。
  論文  参考訳（メタデータ） (2025-08-26T14:37:48Z)
• Navigating Motion Agents in Dynamic and Cluttered Environments through LLM Reasoning [69.5875073447454]
  本稿では,大規模言語モデル(LLM)によって強化された動作エージェントを,動的・乱雑な環境における自律的なナビゲーションに向けて前進させる。 トレーニング不要なフレームワークは、マルチエージェント調整、クローズドループ計画、動的障害物回避を、リトレーニングや微調整なしでサポートしています。
  論文  参考訳（メタデータ） (2025-03-10T13:39:09Z)
• From Words to Actions: Unveiling the Theoretical Underpinnings of LLM-Driven Autonomous Systems [59.40480894948944]
  大規模言語モデル (LLM) は、物理世界の意思決定問題を解くことができる。 このモデルの下で、LLM Plannerは、プロンプトを介して言語ベースのサブゴールを反復的に生成することにより、部分的に観測可能なマルコフ決定プロセス(POMDP)をナビゲートする。 我々は,事前学習したLLMプランナーが,文脈内学習を通じてベイズ的集計模倣学習(BAIL)を効果的に行うことを証明した。
  論文  参考訳（メタデータ） (2024-05-30T09:42:54Z)
• Hierarchical Reinforcement Learning Framework for Stochastic Spaceflight Campaign Design [5.381116150823982]
  本稿では,宇宙飛行計画のための階層的強化学習アーキテクチャを不確実性下で開発する。 本手法は,不確実な資源利用(ISRU)性能を有する,月面探査の一連のシナリオに適用する。
  論文  参考訳（メタデータ） (2021-03-16T11:17:02Z)

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。