論文の概要: Persistent LLM Orchestration of Heterogeneous Robot Teams via Partial Delegation to Multi-Agent Protocols

• arxiv url: http://arxiv.org/abs/2610.15224v1
• Date: Sat, 10 Oct 2026 23:32:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:02:36.356295
• Title: Persistent LLM Orchestration of Heterogeneous Robot Teams via Partial Delegation to Multi-Agent Protocols
• Title（参考訳）: 多エージェントプロトコルへの部分デリゲーションによる異種ロボットチームの永続LLMオーケストレーション
• Abstract要約: 自然言語の仕様により、非専門家のタスクロボットチームが作業できるようになり、大きな言語モデル(LLM)は、そのようなセマンティックな仕様を異種チームのための計画に基礎付けるのに効果的であることが証明された。 既存のアプローチでは、終了するミッションと未知の環境は変化しないが、両方の仮定は多くの新興アプリケーションで失敗する。 LLMオーケストレータがこの設定で壊れる3つの方法を特定し、そのプロンプトはバウンドなしで成長し、エージェントやターゲットが蓄積するにつれて劣化し、一度検索空間をカバーした後、アクティブにモニタリングを停止する。
• 参考スコア（独自算出の注目度）: 21.44318648437365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Natural language specifications let non-expert users task robot teams, and large language models (LLMs) have recently proven effective at grounding such semantic specifications into plans for heterogeneous teams. Existing approaches assume missions that terminate and environments that, while unknown, do not change, but both assumptions fail in many emerging applications. For example, a disaster-response mission does not terminate, and its environment changes continuously as hazards spread and evacuees move. We identify three ways an LLM orchestrator breaks in this setting: its prompt grows without bound, its reasoning degrades as agents and targets accumulate, and it stops actively monitoring after covering the search space once. We build on the successful framework of grounded generative intelligence, and address each issue with a classical idea. A Markovian state summary, rebuilt from the semantic map at every invocation, replaces the growing interaction history. Partial delegation lets the orchestrator assign a subset of robots to an autonomous multi-agent protocol and reserve its reasoning for generating subtasks that require detailed parameters and careful ordering. Lastly, observation staleness, surfaced explicitly in the prompt, together with task-and event-triggered re-prompting, keeps the team vigilant. In a simulated urban search-and-rescue mission with spreading fire and moving evacuees, our framework rescues 98% of civilians versus 89% for the strongest baseline while using six times fewer tokens. Additional ablations isolate the contribution of each mechanism.
• Abstract（参考訳）: 自然言語仕様により、非専門家のタスクロボットチームと大規模言語モデル(LLM)は、最近、そのようなセマンティック仕様を異種チームのための計画に基礎付けるのに有効であることが証明された。 既存のアプローチでは、終了するミッションと未知の環境は変化しないが、両方の仮定は多くの新興アプリケーションで失敗する。 例えば、災害対応ミッションは終了せず、ハザードが広まり避難するにつれて環境が継続的に変化する。 LLMオーケストレータがこの設定で壊れる3つの方法を特定し、そのプロンプトはバウンドなしで成長し、エージェントやターゲットが蓄積するにつれて劣化し、一度検索空間をカバーした後、アクティブにモニタリングを停止する。 我々は、基底となる生成知能のフレームワークの上に構築し、古典的なアイデアで各問題に対処する。 すべての呼び出しでセマンティックマップから再構築されたマルコフ状態の要約は、増大するインタラクション履歴を置き換える。 部分的な委譲により、オーケストレータはロボットのサブセットを自律的なマルチエージェントプロトコルに割り当て、詳細なパラメータと注意深く順序付けを必要とするサブタスクを生成するための推論を予備することができる。 最後に、観察の不安定さはプロンプトで明示的に表面化され、タスクとイベントトリガーによる再プロンプトとともに、チームの警戒を維持します。 避難民の98%、最強のベースラインの89%を救出し、トークンを6倍も減らした。 追加のアブレーションは、各メカニズムの寄与を分離する。

関連論文リスト

• Physical Agentic AI: An Architecture for Orchestrating a Robot Crew with LLMs [6.2312877626161205]
  本稿では,スキルグラウンドロボットエージェントオーケストレーションのためのフレームワークであるPhysical Agentic AIを紹介する。 ロボットオーケストレーションレイヤは、スキルライブラリ、ロボット状態、名前付きロケーション、ワークフローコントラクトを非アクチュエータミッションプランナに公開する。 我々は,ガゼボで全条件で全ミッションが実行され,ドローン-UGV検索・ディスパッチミッションを評価する。
  論文  参考訳（メタデータ） (2026-08-23T23:35:31Z)
• Continual Quadruped Robots Coordination via Semantic Skill Discovery [17.82598716904032]
  マルチクワッドループ調整は、ペイロード容量の増強、コンタクト範囲の拡大、課題への適応性の向上などにより、注目を集めている。 既存のマルチクワッドループ操作の方法は、通常、事前に定義されたタスクファミリやクローズドタスクファミリにフォーカスする。 本稿では,検索・適応・更新プロセスとして連続的な多重四分法協調を定式化するセマンティック・スキル・ライブラリー・フレームワークであるConquerを提案する。
  論文  参考訳（メタデータ） (2026-06-06T11:07:13Z)
• PRISM: : Planning and Reasoning with Intent in Simulated Embodied Environments [59.07829883257003]
  5つの集合住宅の上に建設され、PRISMは300の人間認証タスクを3つの能力レベルに構成する。 PRISMはエージェントに依存しない実行可能なアクションAPIを公開し、任意のエージェントをエンドツーエンドで評価できるようにする。
  論文  参考訳（メタデータ） (2026-05-12T04:59:47Z)
• 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)
• From Virtual Agents to Robot Teams: A Multi-Robot Framework Evaluation in High-Stakes Healthcare Context [2.016235597066821]
  現在のフレームワークは、エージェントを物理的に具体化されたエンティティではなく、概念的なタスク実行子として扱う。 本稿では,プロセスの透明性,前向きな障害回復,コンテキストグラウンド化を重視した3つの設計ガイドラインを提案する。 我々の研究は、よりレジリエントで堅牢なマルチエージェントロボットシステムの開発を知らせる。
  論文  参考訳（メタデータ） (2025-06-04T04:05:38Z)
• When Disagreements Elicit Robustness: Investigating Self-Repair Capabilities under LLM Multi-Agent Disagreements [56.29265568399648]
  我々は、不一致が早期のコンセンサスを防ぎ、探索されたソリューション空間を拡張することを主張する。 タスククリティカルなステップの相違は、ソリューションパスのトポロジによってコラボレーションを損なう可能性がある。
  論文  参考訳（メタデータ） (2025-02-21T02:24:43Z)
• 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)
• A Persistent Spatial Semantic Representation for High-level Natural Language Instruction Execution [54.385344986265714]
  本稿では,言語行動とロボット行動のギャップを埋めるために,永続的な空間意味表現法を提案する。 一般的なステップバイステップ命令を完全に回避しながら、ALFREDベンチマークに対する我々のアプローチを評価し、最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-07-12T17:47:19Z)

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。