論文の概要: From Human Intent to In-Orbit Action: A Self-Learning Large Language Model Agent for 6G Satellite Networks

• arxiv url: http://arxiv.org/abs/2610.34387v1
• Date: Sun, 25 Oct 2026 15:40:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.606158
• Title: From Human Intent to In-Orbit Action: A Self-Learning Large Language Model Agent for 6G Satellite Networks
• Title（参考訳）: 人間から軌道内行動へ:6G衛星ネットワークのための自己学習型大規模言語モデルエージェント
• Abstract要約: 本稿では、軌道上の計算制約の下で、意図と行動のループを閉じる認知フレームワークであるALMONDについて述べる。 エンジニアリングへの貢献は、自律的な6G非地上ネットワーク運用のための地上中心の計算フルーガルアーキテクチャである。 実際のエフェメリスデータによって駆動される350サテライトのデジタルツインでは、ALMONDは極性ハンドオーバの成功を55%から95%以上に引き上げ、ベースライン強化学習の約3倍の速度で収束させ、報酬工学を48時間から4.5時間に短縮する。
• 参考スコア（独自算出の注目度）: 2.610431369709159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous control of sixth-generation (6G) low Earth orbit satellite networks is hindered by the gap between high-level human intent and low-level control logic: translating a request such as "uninterrupted Arctic video" into a valid reinforcement learning reward still takes days of manual trial and error, and existing large language model translators cannot learn from the failures of the policies they generate. This article presents ALMOND (Agentic Large-Model-Orchestrated autonomous Network Design), a cognitive framework that closes this intent-to-action loop under on-orbit compute constraints. The contribution in artificial intelligence is a bidirectional semantic engine that translates natural-language demands into multi-objective reward functions and, conversely, mines implicit operational constraints from failed reinforcement-learning trajectories through counterfactually validated forensics, together with a large language model-guided graph neuroevolution that seeds and critiques policy architectures. The contribution in engineering is a ground-centric, compute-frugal architecture for autonomous 6G non-terrestrial network operation, in which satellites execute only distilled policies below 50,000 parameters with sub-15 ms inference and no on-board large language model. On a 350-satellite digital twin driven by real ephemeris data, ALMOND raises polar handover success from 55% to over 95%, converges about three times faster than baseline reinforcement learning, and reduces reward engineering from 48 hours to 4.5 hours, demonstrating a practical path toward trustworthy in-orbit autonomy.
• Abstract（参考訳）: 6世代 (6G) の低軌道衛星ネットワークの自律的な制御は、高レベルの人間の意図と低レベルの制御ロジックのギャップによって妨げられている: 「未中断の北極ビデオ」のような要求を有効な強化学習報酬に翻訳するには、まだ手動による試行錯誤の日々が必要であり、既存の大きな言語モデル翻訳者は、彼らが生成したポリシーの失敗から学べない。 本稿では、この意図と行動のループを軌道上の計算制約の下で閉じる認知フレームワークであるALMOND(Agentic Large-Model-Orchestrated autonomous Network Design)について述べる。 人工知能への貢献は、自然言語の要求を多目的報酬関数に翻訳する双方向セマンティックエンジンであり、逆に、種子や批判を行う大規模な言語モデル誘導グラフの神経進化とともに、失敗する強化学習トラジェクトリからの暗黙の操作的制約を、反ファクト的に検証された法医学を通して掘り下げている。 工学への貢献は、自律的な6G非地球ネットワーク運用のための地上中心の計算フルーガルアーキテクチャであり、衛星は5万のパラメータ以下の蒸留ポリシーのみを実行する。 実際のエフェメリスデータによって駆動される350サテライトのデジタルツインでは、ALMONDは極性ハンドオーバの成功を55%から95%以上に引き上げ、ベースライン強化学習の約3倍の速度で収束し、報酬工学を48時間から4.5時間に短縮し、信頼に値する軌道上の自律性への実践的な道を示す。

関連論文リスト

• Bridging Frontier Reasoning and Robot Execution: From Autonomous Demonstration Generation to Dense Language Supervision [50.12185415414777]
  私たちはフロンティアモデルを使用して、高速なローカルポリシーのトレーニングのために人間のデモを補完するデモを自律的に生成します。 ハーネスはフロンティア生成命令と高速なローカルポリシを組み合わせることで、モデルがアクションを誘導し修正する能力を保ちながら効率的な実行を可能にする。 固定時間予算内でセマンティックプランニングと操作を組み合わせたクロスワードタスクにおいて、両ブリッジを併用して評価する。
  論文  参考訳（メタデータ） (2026-10-02T17:12:29Z)
• Heterogeneity-Aware Belief Synchronization for Semantic Communication in AI-Native 6G Networks [19.957323858362148]
  6Gネットワークは通信インフラとしてのみ機能するのではなく、インテリジェントなシステムへと進化することが期待されている。 本稿では,6GのAIネイティブネットワークのための不均一な信念同期フレームワークを提案する。 我々は,多層地球/非地球ネットワークのケーススタディを通じて,その枠組みを検証した。
  論文  参考訳（メタデータ） (2026-08-13T15:53:15Z)
• Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
  身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。 統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
  論文  参考訳（メタデータ） (2026-05-26T18:52:04Z)
• AgentMath: Empowering Mathematical Reasoning for Large Language Models via Tool-Augmented Agent [80.83250816918861]
  o3やDeepSeek-R1のようなLarge Reasoning Models (LRM)は、長いチェーン・オブ・シークレットを持つ自然言語推論において顕著な進歩を遂げている。 しかし、計算的に非効率であり、複雑な数学的操作を必要とする問題を解く際には精度に苦しむ。 本稿では,言語モデルの推論能力とコードインタプリタの計算精度をシームレスに統合するエージェントフレームワークであるAgentMathを紹介する。
  論文  参考訳（メタデータ） (2025-12-23T19:57:49Z)
• MazeEval: A Benchmark for Testing Sequential Decision-Making in Language Models [0.0679877553227375]
  本稿では,大規模言語モデルにおける純粋空間推論の分離と評価を目的としたベンチマークであるMazeEvalを紹介する。 我々は,英語とアイスランド語で同一の迷路にまたがる8つの最先端LLMを評価し,空間能力の言語間移動を評価する。
  論文  参考訳（メタデータ） (2025-07-27T19:33:45Z)
• 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。