論文の概要: Multi-Tool Selection for Robotic Systems: Comparing Semantic Retrieval and LLM

• arxiv url: http://arxiv.org/abs/2610.31013v1
• Date: Thu, 22 Oct 2026 09:48:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.311516
• Title: Multi-Tool Selection for Robotic Systems: Comparing Semantic Retrieval and LLM
• Title（参考訳）: ロボットシステムのマルチツール選択:意味検索とLLMの比較
• Abstract要約: 自然言語インタフェースにより、ユーザーはミッションプランナーやロボットと直接対話することなくロボットシステムを操作できる。 固定言語検索,相対距離検索,節認識集約検索の4つの経路戦略を比較した。 CDB-v3は、精度、完全性、精度、完全性重み付き合成スコア、ルーティング待ち時間を用いて、検索専用手法の中で最高のマクロ平均スコアを得る。
• 参考スコア（独自算出の注目度）: 0.20391237204597365
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Natural-language interfaces allow users to command robotic systems without interacting directly with mission planners or robotics middleware. Their reliable use depends on robot tool routing, defined here as the selection of the smallest complete subset of predefined executable capabilities required to satisfy a request. This task is particularly difficult for compound instructions, where incomplete selection may omit necessary sensing or monitoring capabilities, while excessive selection may expose irrelevant tools. We compare four routing strategies: three progressively refined ChromaDB-based methods - fixed-threshold retrieval, relative-distance retrieval, and clause-aware aggregated retrieval - and a cloud-hosted 120-billion-parameter language-model baseline. The methods are evaluated on 164 manually annotated prompts organised into three complexity levels, from direct single-tool requests to compound requests requiring at least three tools. Using exact-match accuracy, completeness, precision, a completeness-weighted composite score, and routing latency, CDB-v3 achieves the best macro-average score among the retrieval-only methods, with 0.7822, compared with 0.8869 for the large-model baseline. Although the LLM provides higher routing quality, CDB-v3 exhibits substantially lower latency and can be deployed locally without requiring cloud connectivity. These results identify a quality-latency trade-off between direct large-model selection and clause-aware semantic retrieval for privacy-sensitive, connectivity-constrained, and resource-constrained robotic systems.
• Abstract（参考訳）: 自然言語インタフェースにより、ユーザーはミッションプランナーやロボティクスミドルウェアと直接対話することなくロボットシステムを操作できる。 彼らの信頼性の高い使用法はロボットツールのルーティングに依存しており、ここでは要求を満たすのに必要な事前定義された実行可能機能の最小の完全なサブセットの選択として定義されている。 このタスクは複雑な命令では特に困難であり、不完全な選択は必要な検知や監視機能を省略し、過剰な選択は無関係なツールを露呈する。 我々は,ChromaDBをベースとした3つの方法 – 固定閾値検索,相対距離検索,節認識集約検索 – と,クラウドホスト型120ビリオンパラメータ言語モデルベースライン – を比較した。 これらの手法は、直接シングルツールリクエストから、少なくとも3つのツールを必要とする複合要求までの3つの複雑さレベルに編成された164のアノテートプロンプトで評価される。 CDB-v3は、精度、完全性、精度、完全性重み付けされた合成スコア、ルーティング待ち時間を用いて、検索専用手法の中では最高のマクロ平均スコアを0.7822で達成し、大モデルベースラインでは0.8869と比較した。 LLMはより高いルーティング品質を提供するが、CDB-v3はかなり低いレイテンシを示し、クラウド接続を必要とせずにローカルにデプロイできる。 これらの結果から,プライバシに敏感で,接続に制約のある,リソースに制約のあるロボットシステムに対する,直接的大モデル選択と節認識セマンティック検索との間の品質・レイテンシのトレードオフが明らかになった。

関連論文リスト

• TRACE-ROUTER: Task-Consistent and Adaptive Online Routing for Agentic AI [8.291830023781403]
  本稿では,タスクレベルのルーティングフレームワークであるTRACEについて述べる。 タスクの遅延フィードバックを活用することで、TRACEはワークロードに適応するルーティングポリシを学ぶ。 精度にマッチしたトレードオフを継続的に改善し、非レイテンシフロンティアポイントを達成します。
  論文  参考訳（メタデータ） (2026-07-24T16:29:06Z)
• Multi-Agent Routing as Set-Valued Prediction: A WildChat Benchmark and Cost-Aware Evaluation [0.0]
  ここで導入されたベンチマークには、固定された12エージェントカタログに3000のプロンプトが含まれている。 評価プロトコルは、設定レベルメトリクス(Precision, Recall, F1, Jaccard, Exact Match)、レイテンシ、実行指向の能力被覆シミュレーション、制約付き重み付け設定を組み合わせる。
  論文  参考訳（メタデータ） (2026-06-27T13:59:46Z)
• EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
  EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。 実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。 EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
  論文  参考訳（メタデータ） (2026-06-09T17:57:16Z)
• Advancing Multi-Robot Networks via MLLM-Driven Sensing, Communication, and Computation: A Comprehensive Survey [35.94145527541823]
  MLLM指導下でのマルチロボット協調のための統合設計手法について検討した。 4つのエンドツーエンドのデモ(センス -> コミュニケーション -> 計算 -> アクション)を提示します。 システムレベルのメトリクス – ペイロード,レイテンシ,成功 – を強調して,R2Xオーケストレーションがデバイス上のベースラインで純粋に向上する理由を示している。
  論文  参考訳（メタデータ） (2026-03-31T06:26:53Z)
• Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
  マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。 AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。 5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-03-13T12:26:05Z)
• Relatron: Automating Relational Machine Learning over Relational Databases [50.94254514286021]
  本稿では, RDL と DFS を共有設計空間に統合し, 多様な RDB タスクを対象としたアーキテクチャ中心の検索を行う。 RDLはDFSを一貫して上回り、高いタスク依存性を持つ。(2)タスク全体において単一のアーキテクチャが支配的であり、タスク認識モデル選択の必要性を強調し、精度は選択アーキテクチャの信頼性の低いガイドである。
  論文  参考訳（メタデータ） (2026-02-26T02:45:22Z)
• RCR-Router: Efficient Role-Aware Context Routing for Multi-Agent LLM Systems with Structured Memory [57.449129198822476]
  RCRは、マルチエージェント大言語モデル(LLM)システムのためのロールアウェアコンテキストルーティングフレームワークである。 役割とタスクステージに基づいて、各エージェントに対して意味的に関連するメモリサブセットを動的に選択する。 軽量スコアリングポリシは、メモリ選択をガイドし、エージェント出力を共有メモリストアに統合する。
  論文  参考訳（メタデータ） (2025-08-06T21:59:34Z)

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。