HMCF: 大規模言語モデルを用いたヒューマン・イン・ザ・ループ型マルチロボット協調フレームワーク

- LLM を活用した Human-in-the-loop 型の Multi-Robot Collaboration Framework (HMCF) の提案 - 対象は heterogeneous なロボット群による大規模タスク(例: disaster response) - 人間の oversight、LLM agents、heterogeneous robots を統合し、task allocation と execution を最適化 - 各ロボットに LLM agent を搭載し、自身の capability 理解・タスクの実行可能命令への変換を行う - simulation と real-world の両方で評価

- 従来手法は generalization に乏しく、新タスク・新シナリオごとに多大な engineering を要し、多様なロボット管理も困難 - HMCF は LLM の reasoning により多様なタスクとロボット capability への適応性を高める - human oversight を必要時のみ介入させ、safety と reliability を確保 - simulation で state-of-the-art の task planning 手法を上回り、task success rate が 4.76% 改善 - real-world で robust な zero-shot generalization と多様なタスク・環境への対応を実証

- LLM agents を各ロボットに搭載し、capability 理解とタスクの実行可能命令への変換を担わせる - task verification と human supervision により hallucination を低減 - human oversight・LLM agents・heterogeneous robots を統合し、task allocation と execution を最適化 - 人間は必要なときのみ介入する設計で safety と reliability を担保 - 詳細な architecture やアルゴリズムは要旨からは不明

- simulation で state-of-the-art の task planning 手法と比較し、task success rate が 4.76% 向上 - real-world tests で robust な zero-shot generalization を確認 - 多様なタスク・環境を最小限の human intervention で処理できることを実証 - 具体的なタスク設定・評価指標・被験者数などは要旨からは不明

- LLM の hallucination を task verification と human supervision で低減する設計だが、その限界や残存リスクは要旨からは不明 - human oversight の介入頻度・負荷やスケーラビリティへの影響は要旨からは不明 - heterogeneous robots の一般化性能の範囲や failure case は要旨からは不明 - 大規模 deployment(disaster response 等)での安全性・信頼性の議論は要旨からは不明

- 比較対象として言及される state-of-the-art の task planning 手法(具体的名称は要旨からは不明) - LLM を用いた task planning / multi-robot collaboration の関連研究 - LLM agent の hallucination 低減・task verification に関する研究 - heterogeneous multi-robot systems の generalization に関する研究 - human-in-the-loop / human-robot collaboration の安全性研究