論文の概要: Adaptive Code Generation for Controlling Robots

• arxiv url: http://arxiv.org/abs/2610.09588v1
• Date: Wed, 07 Oct 2026 07:33:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.776027
• Title: Adaptive Code Generation for Controlling Robots
• Title（参考訳）: ロボット制御のための適応コード生成
• Abstract要約: この研究は、生成AIを活用することでロボット制御を可能にするアーキテクチャフレームワークを導入する。 堅牢性を確保するため、このフレームワークには環境駆動型リプランニングトリガが組み込まれている。 私たちのフレームワークアーキテクチャは、フロンティアモデルに比較して、リアクティブで制約のあるループで生成AIを基盤とすることで、複雑な意図の堅牢な実現を可能にすることを実証しています。
• 参考スコア（独自算出の注目度）: 40.57779314323643
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying robots as Complex Adaptive Systems (CAS) in unknown and dynamic environments necessitates a transition from rigid command libraries toward intention-based autonomy, as natural language represents the only medium capable of articulating complex goals beyond the capacity of finite instruction sets. While Large Language Models (LLMs) offer a path toward natural language goal description, their integration introduces significant challenges: the formalization gap between imprecise intentions and executable actions, the taxonomy gap induced by unpredictable environments, and the challenge of maintaining temporal state and progress awareness. This work introduces an architectural framework that enables robotic control by leveraging generative AI. The system follows a dual-AI design: an LLM translates high-level intentions into executable program code restricted to a formal robotic library and constrained by verifiable syntax, while a Vision-Language Model (VLM) provides semantic grounding via a distillation process. To ensure robustness, the framework incorporates environment-driven replanning triggers based on geometric and semantic thresholds, complemented by continuous runtime monitoring and an adaptive planning loop. Benchmarked across frontier models, our framework architecture demonstrates that grounding generative AI in a reactive, constrained loop enables robust fulfillment of complex intentions in dynamic and unknown environments.
• Abstract（参考訳）: 未知および動的環境における複雑適応システム(CAS)としてのロボットの展開には、厳密なコマンドライブラリから意図に基づく自律への移行が必要である。 大規模言語モデル(LLM)は、自然言語の目標記述への道筋を提供するが、その統合には、不正確な意図と実行可能な行動の間の形式化のギャップ、予測不可能な環境によって引き起こされる分類のギャップ、時間的状態と進行の認識の維持という課題など、大きな課題が伴う。 この研究は、生成AIを活用することでロボット制御を可能にするアーキテクチャフレームワークを導入する。 LLMは、高レベルの意図を形式的なロボットライブラリに制限された実行可能なプログラムコードに変換し、検証可能な構文で制約する一方、ビジョン・ランゲージ・モデル(VLM)は蒸留プロセスを通じて意味的なグラウンドを提供する。 堅牢性を確保するため、このフレームワークは、連続的なランタイム監視と適応的な計画ループによって補完される幾何学的および意味的なしきい値に基づいて、環境駆動のリプランニングトリガを組み込んでいる。 私たちのフレームワークアーキテクチャは、フロンティアモデルに比較して、リアクティブで制約のあるループで生成AIを基盤として、動的で未知の環境で複雑な意図を堅牢に満たすことを実証しています。

関連論文リスト

• Advancing Omnimodal Embodied Agents from Isolated Skills to Everyday Physical Autonomy [79.09714980186278]
  非構造化環境で永続的なエンボディエージェントを構築するには、異種ツールの統一的なオーケストレーションが必要である。 我々は,多モーダルなセマンティックプランナを統合したフレームワークであるOmniActを紹介した。 すべての複雑性レベルにわたって、エンドツーエンドの成功において一貫した改善が達成されます。
  論文  参考訳（メタデータ） (2026-06-25T16:36:35Z)
• In-Context Model Predictive Generation: Open-Vocabulary Motion Synthesis from Language Models to Physics [109.99871326497333]
  In-Context Model Predictive Generation (ICMPG)は、言語モデル計画と推論時の物理的フィードバックを統合するフレームワークである。 ICMPGは2つのモジュールでモデル予測制御(MPC)のようなプロセスとして運動合成を再構成する。
  論文  参考訳（メタデータ） (2026-06-25T12:50:33Z)
• ROSClaw: A Hierarchical Semantic-Physical Framework for Heterogeneous Multi-Agent Collaboration [9.434833852972353]
  ROSClawは、統一視覚言語モデル(VLM)コントローラにポリシー学習とタスク実行を統合する異種ロボットのためのエージェントフレームワークである。 自律的なクローズループフレームワークを確立することにより、ROSClawはロボット固有の開発への依存を最小限に抑える。
  論文  参考訳（メタデータ） (2026-04-06T13:16:24Z)
• Closed-Loop Verbal Reinforcement Learning for Task-Level Robotic Planning [1.6641413441634143]
  本稿では,モバイルロボットシステムにおけるタスクレベル計画の解釈のための新しい言語強化学習フレームワークを提案する。 このフレームワークはクローズドループアーキテクチャに従い、物理的環境との相互作用を通じて反復的なポリシー改善を可能にする。 提案手法は,実行不確実性下で複数段操作およびナビゲーションタスクを行う実移動ロボット上で検証される。
  論文  参考訳（メタデータ） (2026-03-23T16:28:36Z)
• RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
  ロボットのためのロバスト自動データ取得(RADAR)について紹介する。 RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。 シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-12T11:18:52Z)
• Multi-Robot Motion Planning from Vision and Language using Heat-Inspired Diffusion [6.286759951136632]
  Language-Conditioned Heat-Inspired Diffusion (LCHD)は、言語条件の衝突のない軌道を生成するエンドツーエンドのビジョンベースのフレームワークである。 LCHDはCLIPベースのセマンティックプリエントと衝突回避拡散カーネルを統合し、物理的誘導バイアスとして機能する。 LCHDは、計画遅延を減らしながら、相変わらず拡散ベースのプランナーを成功率で上回る。
  論文  参考訳（メタデータ） (2025-12-15T08:43:13Z)
• Executable Analytic Concepts as the Missing Link Between VLM Insight and Precise Manipulation [70.8381970762877]
  VLM(Vision-Language Models)は、セマンティック推論とタスク計画において顕著な能力を示す。 本稿では,VLMに基づく推論を実行可能な解析概念を通じて基礎づける新しいフレームワークであるGRACEを紹介する。 G GRACEは高レベル命令理解と低レベルロボット制御の統一的で解釈可能なインターフェースを提供する。
  論文  参考訳（メタデータ） (2025-10-09T09:08:33Z)
• Grounding Language Models with Semantic Digital Twins for Robotic Planning [6.474368392218828]
  セマンティック・デジタル・ツインズ(SDT)とLarge Language Models(LLM)を統合する新しいフレームワークを提案する。 提案フレームワークは,高レベル推論とセマンティック環境理解を効果的に組み合わせ,不確実性と障害に直面した信頼性の高いタスク完了を実現する。
  論文  参考訳（メタデータ） (2025-06-19T17:38:00Z)
• Grounded Decoding: Guiding Text Generation with Grounded Models for Embodied Agents [111.15288256221764]
  グラウンデッドデコーディングプロジェクトは、両方のモデルの知識を活用することで、ロボット環境で複雑な長期タスクを解決することを目的としている。 我々はこれを確率的フィルタリングに類似した問題として、言語モデルの下で高い確率を持つシーケンスをデコードし、基底モデル対象のセットで高い確率を示す。 本研究では,3つのシミュレーション領域と実世界の領域にまたがって,そのような基底モデルがどのように得られるのかを実証し,両モデルの知識を活用して,ロボット環境での複雑な長期的タスクを解くことができることを示す。
  論文  参考訳（メタデータ） (2023-03-01T22:58:50Z)

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。