論文の概要: Large Language Model Explainability for Planning Lunar Rover Trajectories under Uncertainty
- arxiv url: http://arxiv.org/abs/2611.13292v1
- Date: Mon, 09 Nov 2026 22:01:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-12 04:24:43.60827
- Title: Large Language Model Explainability for Planning Lunar Rover Trajectories under Uncertainty
- Title(参考訳): 不確実性下における月面ローバー軌道計画のための大規模言語モデル説明可能性
- Abstract要約: 確率的不確実性の下で惑星ローバー軌道を計画することは多目的最適化問題である。
我々のフレームワークは、NASAのVolatiles Investigationigating Polar Exploration Rover(VIPER)ミッションにインスパイアされたシミュレータと、ReActクエリ可能なインターフェースをペアリングする。
実験では、アシスタントの応答の90.9%がプランナーの出力に忠実であることが示されている。
- 参考スコア(独自算出の注目度): 18.85282159558557
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Planning planetary rover trajectories under probabilistic uncertainty is a multi-objective optimization problem that science teams currently iteratively solve and verify by hand. This process becomes impractical when timelines and constraints frequently shift throughout the mission planning phase. Sampling-based planners such as Monte Carlo tree search can speed up this process, but their outputs do not preserve traceability to the science objectives that justify each plan, which the science team needs to verify. We propose an interactive assistant based on a large language model (LLM) that can explain planner trajectories using domain vocabulary and re-run the planner under user-specified conditions to compare alternatives. Previous work has used LLMs inside planner decision-making loops, but we explore using them for post-planning explanation, where they are more likely to be trusted since they do not directly influence planner decisions. Our framework pairs a simulator inspired by the NASA Volatiles Investigating Polar Exploration Rover (VIPER) mission with a ReAct queryable interface that calls curated action tools and retrieval functions. We evaluate the assistant on a query bank consisting of plan comparisons, feasibility, and lookup queries. Experiments show that 90.9% of the assistant's responses are faithful to the planner's outputs, a nearly 65% improvement over zero-shot prompting of the same LLM without tool access, demonstrating the potential for trustworthy explainability of uncertainty-aware traverses with an LLM-based system.
- Abstract(参考訳): 確率的不確実性の下で惑星ローバー軌道を計画することは、科学チームが現在手動で反復的に解決し検証している多目的最適化問題である。
このプロセスは、ミッション計画フェーズを通じてタイムラインや制約が頻繁にシフトする場合、現実的ではありません。
モンテカルロ木探索のようなサンプリングベースのプランナーは、このプロセスを高速化することができるが、そのアウトプットは、科学チームが検証する必要がある各計画を正当化する科学目標へのトレーサビリティを保持するものではない。
本稿では,大規模言語モデル(LLM)に基づく対話型アシスタントを提案する。
これまでの作業では,計画立案ループ内でLLMを使用してきたが,計画立案後の説明として使用することを検討する。
我々のフレームワークは、NASAのVolatiles Investigationigating Polar Exploration Rover(VIPER)ミッションにインスパイアされたシミュレータと、キュレートされたアクションツールと検索関数を呼び出すReActクエリ可能なインターフェースをペアリングします。
提案手法は, 計画比較, 実現可能性, ルックアップクエリからなる問合せバンク上でのアシスタントの評価を行う。
実験の結果、アシスタントの応答の90.9%はプランナーの出力に忠実であり、ツールアクセスなしで同じLSMをゼロショットでプロンプトするよりも65%近く改善されている。
関連論文リスト
- OrbitTAMP: Grounding Language Models for Task and Motion Planning in Spacecraft Rendezvous [22.891825351056823]
大型言語モデル(LLM)ベースのエージェントは、宇宙船RPO計画のための直感的なインタフェースを提供することができる。
本稿では、再利用可能な振る舞いのグラフにLCM推論を基礎として、宇宙船のタスク・アンド・モーション・プランニング(TAMP)のための階層的な枠組みを提案する。
数値実験により、このアーキテクチャは直接LLM生成よりもインテントリカバリを大幅に改善することが示された。
論文 参考訳(メタデータ) (2026-10-01T05:37:38Z) - Complex LLM Planning via Automated Heuristics Discovery [48.07520536415374]
複雑な計画タスクのための大規模言語モデル(LLM)の強化を検討する。
我々は,LLMがガイドタイム検索の関数を明示的に生成できる新しい手法である自動推論発見(AutoHD)を提案する。
提案手法はモデルトレーニングや微調整を必要とせず,LLMが生成する関数の明示的な定義は推論過程の解釈可能性と洞察を与える。
論文 参考訳(メタデータ) (2025-02-26T16:52:31Z) - DAVIS: Planning Agent with Knowledge Graph-Powered Inner Monologue [0.09999629695552192]
DAVISは、科学的エージェントを設計するための新しいアプローチである。
従来の検索強化世代(RAG)のアプローチとは異なり、DAVISは構造化記憶と時間記憶を取り入れている。
DAVISはRAGパイプラインで対話型検索手法を使用した最初のRAGエージェントである。
論文 参考訳(メタデータ) (2024-10-11T20:58:51Z) - Can We Rely on LLM Agents to Draft Long-Horizon Plans? Let's Take TravelPlanner as an Example [3.102303947219617]
大規模言語モデル(LLM)は、自律エージェントを人工知能(AGI)に近づけた
そこで本研究では,エージェントが複数の制約を満たして正確な計画を生成する,現実的なベンチマークであるTravelPlannerを用いて検討を行った。
論文 参考訳(メタデータ) (2024-08-12T17:39:01Z) - From Words to Actions: Unveiling the Theoretical Underpinnings of LLM-Driven Autonomous Systems [59.40480894948944]
大規模言語モデル (LLM) は、物理世界の意思決定問題を解くことができる。
このモデルの下で、LLM Plannerは、プロンプトを介して言語ベースのサブゴールを反復的に生成することにより、部分的に観測可能なマルコフ決定プロセス(POMDP)をナビゲートする。
我々は,事前学習したLLMプランナーが,文脈内学習を通じてベイズ的集計模倣学習(BAIL)を効果的に行うことを証明した。
論文 参考訳(メタデータ) (2024-05-30T09:42:54Z) - Sequential Planning in Large Partially Observable Environments guided by
LLMs [0.0]
大規模状態空間と行動空間の連続的な計画は、探索空間の爆発により、すぐに困難になる。
モンテカルロ木探索のようなヒューリスティックな手法は、大きな状態空間に対して有効であるが、アクション空間が大きければ困難である。
本稿では,状態空間探索とクエリを併用したハイブリッドエージェント"neoplanner"を提案する。
論文 参考訳(メタデータ) (2023-12-12T15:36:59Z) - Robots That Ask For Help: Uncertainty Alignment for Large Language Model
Planners [85.03486419424647]
KnowNoは、大きな言語モデルの不確実性を測定し、調整するためのフレームワークである。
KnowNoは、タスク完了に関する統計的保証を提供する共形予測理論に基づいている。
論文 参考訳(メタデータ) (2023-07-04T21:25:12Z) - 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。