論文の概要: LLM-Assisted Planning with Distributed Onboard Behaviour Tree Execution for Multi-AUV Missions

• arxiv url: http://arxiv.org/abs/2611.04518v1
• Date: Tue, 03 Nov 2026 08:43:36 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:58:04.676255
• Title: LLM-Assisted Planning with Distributed Onboard Behaviour Tree Execution for Multi-AUV Missions
• Title（参考訳）: マルチAUVミッションのための分散オンボード行動木実行によるLCM支援計画
• Abstract要約: 自律型水中車両の調整には、オペレーターの意図を実行可能な課題に翻訳する必要がある。 本稿では,Large Language Model (LLM) とMixed-Integer Linear Programming (MILP) と分散Behaviour Tree (BT) の実行を併用した階層型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）: 0.0
• License:
• Abstract: Coordinating autonomous underwater vehicles requires translating operator intent into feasible assignments while preserving autonomous execution when communication is limited. We present a hierarchical framework that couples Large Language Model (LLM) interpretation of natural-language mission instructions with Mixed-Integer Linear Programming (MILP) and distributed Behaviour Tree (BT) execution. The LLM extracts assignment and ordering constraints, which the MILP optimizer combines with vehicle capabilities and temporal requirements. A BT-LLM Bridge distributes the resulting allocations to onboard BT Mission Managers. Per-vehicle Robotic Agents assess local faults and request selective replanning, allowing unaffected vehicles to continue their assigned tasks. Evaluation in a ROS-based AUV simulator compares Qwen-3-8B and Llama-3.1-8B on constraint extraction and tests recovery from sensor degradation and critical vehicle faults. Qwen-3-8B provides more accurate constraint extraction, and all tasks are completed in the tested failure scenarios. These simulation results support the feasibility of combining language-based mission specification with structured allocation and distributed execution.
• Abstract（参考訳）: 自律型水中車両の調整には、通信が制限されたときに自律的な実行を保ちながら、オペレーターの意図を実行可能な課題に翻訳する必要がある。 本稿では,Large Language Model (LLM) とMixed-Integer Linear Programming (MILP) と分散Behaviour Tree (BT) の実行を併用した階層型フレームワークを提案する。 LLMは割り当てと順序付けの制約を抽出し、MILPオプティマイザは車両の能力と時間的要求を組み合わせている。 BT-LLMブリッジはBTミッションマネージャに割り当てを分配する。 車両ごとのロボットエージェントは、局所的な故障を評価し、選択的な再計画を要求し、影響のない車両が割り当てられたタスクを継続できるようにする。 ROSをベースとしたAUVシミュレータの評価では、Qwen-3-8BとLlama-3.1-8Bを比較して、センサ劣化と臨界車両故障からの制約抽出とテストリカバリを行った。 Qwen-3-8Bはより正確な制約抽出を提供し、テストされた障害シナリオですべてのタスクが完了する。 これらのシミュレーション結果は、言語ベースのミッション仕様と構造化アロケーションと分散実行の組み合わせの実現性を支持する。

関連論文リスト

• A Simulation Platform for AUV Fault Recovery: Exploring LLM-Based Diagnostic Strategies [0.0]
  Invokable Large Language Model (LLM) は、オンボードの異常検出が期待される限界外のパフォーマンスを識別する際、診断および回復プランナーとして機能する。 本稿では,リアルタイムC車載ソフトウェアと物理ベースの故障注入のための高レベルのオーケストレーション層を結合したクローズドループシミュレーションアーキテクチャを提案する。 480以上のSPAR試験を行い、フロンティアモデルとオフザシェルフの3つのローカル展開可能なLLMを評価した。
  論文  参考訳（メタデータ） (2026-09-17T16:03:13Z)
• Stateful Multi-Agent LLMs for Cross-View Interface Alignment in Automotive Model-Based Systems Engineering [29.585470064353014]
  大型言語モデル(LLM)は、ソフトウェア定義車両のためのモデルベースシステム工学(MBSE)を加速することができる。 その確率的性質は「構造的漂流」を引き起こし、構造的基盤が欠如している行動的視点のインターフェースを形成する。 決定論的インタフェースアライメントを実現するために,ステートフルなマルチエージェント検証パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-08-08T09:49:10Z)
• Steering Vision-Language Models with Joint Sparse Autoencoders [2.367986397868328]
  連成スパースオートエンコーダ(JSAE)を導入し、シーケンスプールされた視覚と言語アクティベーションを、共用、解釈可能な画像/カプセルレベルの特徴に分解する。 JSAEを視覚言語モデル(VLM)に適用すると、制御可能なクロスモーダルステアリングの方向として使うのが難しい表現が得られる。
  論文  参考訳（メタデータ） (2026-06-24T10:11:04Z)
• Open-Ended Instruction Realization with LLM-Enabled Multi-Planner Scheduling in Autonomous Vehicles [40.195332742819865]
  本研究では,大規模言語モデル(LLM)を利用して命令を解釈する命令実現フレームワークを提案する。 リアルタイムフィードバックに基づいて、複数のモデル予測制御(MPC)ベースのモーションプランナをスケジュールする実行可能なスクリプトを生成し、計画されたトラジェクトリを制御信号に変換する。
  論文  参考訳（メタデータ） (2026-04-09T09:32:21Z)
• RemoteAgent: Bridging Vague Human Intents and Earth Observation with RL-based Agentic MLLMs [55.44696796126619]
  地球観測システムは、曖昧な自然言語を通じて要求を表現するドメインの専門家を支援するように設計されている。 実用的なEOAIシステムは、あいまいな人間のクエリと適切な多粒度視覚分析タスクのギャップを埋めなければならない。 MLLMの能力固有の境界を戦略的に尊重するエージェントフレームワークであるRemoteAgentを提案する。
  論文  参考訳（メタデータ） (2026-04-09T03:40:46Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• From Prompts to Pavement: LMMs-based Agentic Behavior-Tree Generation Framework for Autonomous Vehicles [1.3707825707652799]
  従来の行動木(BT)は構造化された決定論理を提供するが、本質的に静的であり、労働集約的なマニュアルチューニングを必要とする。 本稿では,大規模言語モデル (LLM) とマルチモーダル視覚モデル (LVM) を利用して,BTの生成と適応を行うエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T11:32:29Z)
• 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)
• Plan, Eliminate, and Track -- Language Models are Good Teachers for Embodied Agents [99.17668730578586]
  事前訓練された大言語モデル(LLM)は、世界に関する手続き的な知識をキャプチャする。 Plan, Eliminate, and Track (PET)フレームワークはタスク記述をハイレベルなサブタスクのリストに変換する。 PETフレームワークは、人間の目標仕様への一般化のために、SOTAよりも15%改善されている。
  論文  参考訳（メタデータ） (2023-05-03T20:11:22Z)

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。