論文の概要: From Natural Language Intent to Executable Control: Hierarchical Feedback-Guided LLM Planning for Multi-component Cyber-Physical Systems
- arxiv url: http://arxiv.org/abs/2610.22441v1
- Date: Thu, 15 Oct 2026 14:52:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.596773
- Title: From Natural Language Intent to Executable Control: Hierarchical Feedback-Guided LLM Planning for Multi-component Cyber-Physical Systems
- Title（参考訳）: 自然言語から実行可能制御へ:多成分サイバー物理システムのための階層的フィードバック誘導LDM計画
- Abstract要約: 大規模言語モデル(LLM)は、自然言語コマンドをサイバー物理システムのタスクプランに変換する。
既存のLCMベースの計画手法では、生成された計画が失敗する理由に関する情報的なフィードバックが欠けていることが多い。
CPSの実行可能な計画を生成する際に,異なるタイプのフィードバック情報を用いてLCMを誘導する階層的なフィードバックフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.7582682214679275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) provide a convenient interface for translating natural language commands into task plans for cyber-physical systems (CPSs). However, two gaps hinder their use for real execution: generated plans may misinterpret or omit the user's intent, and even a logically plausible plan may be infeasible under component dynamics, interactions, or safety constraints. Existing LLM-based planning approaches often lack informative feedback on why a generated plan fails, providing little guidance for revising the plan accordingly. To address these challenges, we present a hierarchical feedback framework that uses different types of feedback information to guide LLMs in generating executable plans for CPSs. We prompt LLMs to generate both a structured task plan and corresponding signal temporal logic (STL) constraints, and design a sound algorithm that identifies definite contradictions between them and provides feedback for revising inconsistencies. At the execution level, when control synthesis fails, we extract different types of diagnostic information, such as violated constraints and conflicting component assignments, and feed them back to guide task replanning. Experiments on seven heterogeneous multi-component CPS scenarios have shown that our framework can generate executable plans and feasible control executions that satisfy the original natural language missions with a success rate of 87.9% with GPT-5.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、自然言語コマンドをサイバー物理システム(CPS)のタスクプランに変換するための便利なインターフェースを提供する。
しかし、2つのギャップは実際の実行を妨げている: 生成されたプランはユーザの意図を誤解したり省略したりし、論理的に妥当な計画でさえ、コンポーネントのダイナミクス、インタラクション、安全性の制約の下では実現できないかもしれない。
既存のLCMベースの計画手法は、なぜ生成された計画が失敗するのかについての情報的なフィードバックを欠くことが多く、それに従って計画を修正するためのガイダンスがほとんどない。
これらの課題に対処するために,異なるタイプのフィードバック情報を用いて,CPSの実行可能な計画生成においてLCMをガイドする階層的フィードバックフレームワークを提案する。
我々はLCMに、構造化されたタスク計画と対応する信号時間論理(STL)制約の両方を生成するように促し、それらの矛盾を識別する音響アルゴリズムを設計し、矛盾を修正するためのフィードバックを提供する。
実行レベルでは、制御合成が失敗すると、制約違反やコンポーネント割り当ての矛盾など、さまざまなタイプの診断情報を抽出し、それらをガイドタスクのリプランニングにフィードバックする。
7つの異種多成分CPSシナリオの実験により,GPT-5で87.9%の成功率で,本フレームワークが本来の自然言語ミッションを満足する実行可能な計画と実行可能な制御実行を生成できることが示されている。
関連論文リスト
- HEART: Coordination of Heterogeneous Expert Agents for Physically Grounded Robotic Task Planning [13.14097890573283]
LLM(Large Language Models)は複雑な命令を推論するが、ロボットタスク計画に必要な物理的および空間的制約を満たすことができないことが多い。
命令を原子推論タスクに分解する異種マルチLLMフレームワークを提案する。
HEARTは単一LLMやルールベースのプランナに比べて計画の成功を継続的に改善することを示す。
論文 参考訳（メタデータ） (2026-06-24T05:02:37Z) - SDA-PLANNER: State-Dependency Aware Adaptive Planner for Embodied Task Planning [22.01842981739722]
エージェントは環境内のクローズループな方法で実行可能なアクションを生成する必要がある。
我々は,SDA-PLANNERを提案し,適応計画パラダイム,状態依存認識,エラー認識機構を包括的具体的タスク計画に適用する。
論文 参考訳（メタデータ） (2025-09-30T15:07:59Z) - CausalPlan: Empowering Efficient LLM Multi-Agent Collaboration Through Causality-Driven Planning [25.322580535468013]
CausalPlanは、明示的な構造因果推論を大規模言語モデル(LLM)計画プロセスに統合するフレームワークである。
我々は,5つのマルチエージェント調整タスクと4つのLLMの異なるサイズで,Overcooked-AIベンチマークでCausalPlanを評価した。
その結果、CausalPlanは不適切なアクションを一貫して削減し、AI-AIとヒューマン-AI設定の両方でのコラボレーションを改善していることがわかった。
論文 参考訳（メタデータ） (2025-08-19T10:37:20Z) - Interactive and Expressive Code-Augmented Planning with Large Language Models [62.799579304821826]
大きな言語モデル(LLM)は、常識的推論と対話的な意思決定において強力な能力を示す。
近年,制御フローなどのコード・アジャセント技術を用いてLCM出力を構造化し,計画性能を向上させる技術が提案されている。
完全コード表現で動的なLEM計画手法であるREPL-Planを提案する。
論文 参考訳（メタデータ） (2024-11-21T04:23:17Z) - Unlocking Reasoning Potential in Large Langauge Models by Scaling Code-form Planning [94.76546523689113]
CodePlanは、テキストコード形式の計画を生成し、追跡するフレームワークで、高いレベルの構造化された推論プロセスの概要を擬似コードで示します。
CodePlanは、洗練された推論タスク固有のリッチなセマンティクスと制御フローを効果的にキャプチャする。
反応を直接生成するのに比べて25.1%の相対的な改善が達成されている。
論文 参考訳（メタデータ） (2024-09-19T04:13:58Z) - Nl2Hltl2Plan: Scaling Up Natural Language Understanding for Multi-Robots Through Hierarchical Temporal Logic Task Representation [8.180994118420053]
Nl2Hltl2Planは自然言語コマンドを階層線形時間論理(LTL)に変換するフレームワーク
まず、LLMは命令を階層的なタスクツリーに変換し、論理的および時間的関係をキャプチャする。
次に、微調整されたLLMは、サブタスクをフラットな公式に変換し、階層的な仕様に集約する。
論文 参考訳（メタデータ） (2024-08-15T14:46:13Z) - Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
この研究は、大規模言語モデル(LLM)の計画能力を改善するための基礎を築いた。
我々は、古典的な計画ベンチマークと自然言語シナリオの両方を含む包括的なベンチマークスイートを構築した。
本研究は,LLM計画の強化を目的としたマルチショットインコンテキスト学習について検討し,文脈長の増大と計画性能の向上の関係について検討する。
論文 参考訳（メタデータ） (2024-06-18T22:57:06Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-02T10:07:17Z) - AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。
本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。
幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
論文 参考訳（メタデータ） (2023-05-26T05:52:27Z)
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。