論文の概要: Declarative Reactive Robot Behaviors from Imperative Language Models

• arxiv url: http://arxiv.org/abs/2610.17083v1
• Date: Mon, 12 Oct 2026 16:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 03:20:20.729958
• Title: Declarative Reactive Robot Behaviors from Imperative Language Models
• Title（参考訳）: 命令型言語モデルから宣言型反応ロボットの動作
• Abstract要約: 大規模言語モデル(LLM)は命令型プログラミング言語で主に訓練されている。 LLMをベースとしたプログラミングエージェントは,ロボットの動作に対して,正確な宣言的かつ反応的なプログラムを生成することができることを示す。
• 参考スコア（独自算出の注目度）: 46.081442910119385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) are predominantly trained on imperative programming languages, and existing work on LLM-based robot programming reflects this: it focuses on goal-directed tasks expressed as plans. However, many robotic applications require not tasks but behaviors--open-ended, continuous patterns of sensory-motor engagement with no termination condition (e.g., greeting visitors, patrolling an area). Such behaviors are better served by declarative and reactive programming, on which LLMs have virtually no training. We investigate whether this gap can be bridged. Using Playful, a reactive scripting language, we show that an LLM-based coding agent can generate correct declarative and reactive programs for robotic behaviors. These programs are produced from under-specified natural language descriptions, given suitable context and a set of reusable programming guidelines. The guidelines encode design principles that redirect the agent from imperative defaults toward proper reactive patterns. Developed once by an expert, they generalize across robots and behaviors. Starting from only the generic robot operating system API, the agent jointly designs both the imperative component (Python modules for sensing, acting, and evaluating) and the declarative component (the reactive script that composes them into behavior logic). The declarative nature of reactive programming supports both incremental refinement through conversational turns and one-shot generation of complete behaviors.
• Abstract（参考訳）: 大規模言語モデル(LLM)は主に命令型プログラミング言語で訓練されており、LLMベースのロボットプログラミングに関する既存の研究は、このことを反映している。 しかし、多くのロボットアプリケーションはタスクだけでなく行動も必要としており、終端条件(例えば、来訪者への挨拶、地域をパトロールする)のない、オープンエンドで連続した感覚運動者のエンゲージメントパターンである。 このような振舞いは宣言的かつリアクティブなプログラミングによってより良く機能する。 我々はこのギャップを橋渡しできるかどうか検討する。 リアクティブスクリプティング言語であるPlayfulを用いて、LLMベースのコーディングエージェントがロボットの動作に対して正確な宣言的かつリアクティブなプログラムを生成することができることを示す。 これらのプログラムは、適切なコンテキストと再利用可能なプログラムガイドラインのセットを与えられた、未指定の自然言語記述から生成される。 このガイドラインは、エージェントを命令的デフォルトから適切なリアクティブパターンにリダイレクトする設計原則をエンコードしている。 専門家によって一度開発され、ロボットや行動にまたがって一般化される。 汎用ロボットオペレーティングシステムAPIのみから始めて、エージェントは命令的コンポーネント(Pythonモジュール、センシング、動作、評価のためのモジュール)と宣言的コンポーネント(動作ロジックを構成するリアクティブスクリプト)を共同で設計する。 リアクティブプログラミングの宣言的性質は、会話のターンによる漸進的な洗練と、完全な振る舞いのワンショット生成の両方をサポートする。

関連論文リスト

• Act-Observe-Rewrite: Multimodal Coding Agents as In-Context Policy Learners for Robot Manipulation [0.0]
  本稿では、LLMエージェントがロボット操作ポリシーを改善するためのフレームワークであるAct-Observe-Rewrite(AOR)を提案する。 AORはLLM推論の単位として、完全な低レベルモーター制御を実装している。 エージェントは、デモンストレーション、報酬工学、勾配更新なしで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-03T22:15:55Z)
• Towards No-Code Programming of Cobots: Experiments with Code Synthesis by Large Code Models for Conversational Programming [17.22551679328024]
  LLM(Large Language Models)は、対話型コード生成のためのコンテキスト内学習を行うように設計されている。 本研究は,テキスト中の実例から,このようなコードを合成するための最先端のLLMの性能を評価する。
  論文  参考訳（メタデータ） (2024-09-17T10:04:50Z)
• 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)
• Instruct2Act: Mapping Multi-modality Instructions to Robotic Actions with Large Language Model [63.66204449776262]
  Instruct2Actは、ロボット操作タスクのシーケンシャルアクションにマルチモーダル命令をマッピングするフレームワークである。 我々のアプローチは、様々な命令のモダリティや入力タイプを調節する上で、調整可能で柔軟なものである。 我々のゼロショット法は、いくつかのタスクにおいて、最先端の学習ベースのポリシーよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-18T17:59:49Z)
• ProgPrompt: Generating Situated Robot Task Plans using Large Language Models [68.57918965060787]
  大規模言語モデル(LLM)は、タスク計画中の潜在的な次のアクションを評価するために使用することができる。 本稿では, プログラム型LCMプロンプト構造を用いて, 配置環境間での計画生成機能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T20:29:49Z)

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。