日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2505.07236

UAV-CodeAgents: マルチエージェントReActと視覚言語推論によるスケーラブルなUAVミッション計画

UAV-CodeAgents: Scalable UAV Mission Planning via Multi-Agent ReAct and Vision-Language Reasoning

シェア:XThreadsFacebookLINEはてブBluesky

LLM/VLMを活用したマルチエージェントフレームワークで、衛星画像と自然言語指示からUAVのミッションを自動生成し、火災検知タスクで93%の成功率を達成した。

詳しい要約

1. どんなもの?

- 大規模言語モデル/視覚言語モデル(LLMs/VLMs)を基盤とした、UAVミッション自動生成のためのスケーラブルなマルチエージェントフレームワーク - ReAct(Reason + Act)パラダイムを活用し、衛星画像の解釈、高レベル自然言語指示の接地、UAV軌道の協調生成を最小限の人間監督で行う - 視覚接地型のpixel-pointing機構により、航空マップ上の意味的ターゲットを精密に位置特定 - リアクティブ思考ループを導入し、観測への反復的省察、ミッション目標の修正、動的環境での協調を可能にする

2. 先行研究と比べてどこがすごい?

- 要旨からは不明(先行研究との具体的比較は記述されていない) - 特徴として、マルチエージェント協調とReActパラダイム、視覚接地型pixel-pointing、リアクティブ思考ループを統合している点が挙げられる - 産業・環境火災検知の大規模ミッションシナリオで評価し、成功率93%、平均ミッション生成時間96.96秒を報告

3. 技術・手法の肝は?

- ReAct(Reason + Act)パラダイムに基づくマルチエージェント構成 - 視覚接地型pixel-pointing機構による航空マップ上の意味的ターゲットの精密位置特定 - リアクティブ思考ループによる観測の反復省察、ミッション目標の修正、動的協調 - Qwen2.5VL-7Bを9,000枚の注釈付き衛星画像でfine-tuneし、多様な視覚カテゴリで強いspatial groundingを実現 - デコーディング温度0.5が計画信頼性と実行時間の面で有効と報告

4. どうやって有効だと検証した?

- 産業・環境火災検知を含む大規模ミッションシナリオで評価 - デコーディング温度0.5で計画信頼性が高く実行時間が短縮され、平均ミッション生成時間96.96秒、成功率93%を達成 - Qwen2.5VL-7Bを9,000枚の注釈付き衛星画像でfine-tuneし、多様な視覚カテゴリで強いspatial groundingを確認 - 再現性と今後の研究のため、コードベースと視覚言語ベースUAV計画の新規ベンチマークデータセットを公開予定

5. 議論はある?

- デコーディング温度の影響(0.5で信頼性向上・実行時間短縮)が示されている - リアクティブ思考ループによる動的環境への適応性が議論の対象となり得る - 要旨からは不明(限界や失敗事例、一般化可能性に関する具体的議論は記述されていない)

6. 次に読むべき論文は?

- ReAct(Reason + Act)パラダイムに関する研究 - Qwen2.5VL-7B(fine-tune対象のVLM) - 視覚言語モデルを用いたUAV計画・spatial grounding関連研究 - マルチエージェント協調によるミッション計画手法

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Oleg Sautenkov, Yasheerah Yaqoot, Muhammad Ahsan Mustafa, Faryal Batool, Jeffrin Sam, Artem Lykov, Chih-Yung Wen, Dzmitry Tsetserukou

分類: cs.RO, cs.AI

原文アブストラクト

We present UAV-CodeAgents, a scalable multi-agent framework for autonomous UAV mission generation, built on large language and vision-language models (LLMs/VLMs). The system leverages the ReAct (Reason + Act) paradigm to interpret satellite imagery, ground high-level natural language instructions, and collaboratively generate UAV trajectories with minimal human supervision. A core component is a vision-grounded, pixel-pointing mechanism that enables precise localization of semantic targets on aerial maps. To support real-time adaptability, we introduce a reactive thinking loop, allowing agents to iteratively reflect on observations, revise mission goals, and coordinate dynamically in evolving environments. UAV-CodeAgents is evaluated on large-scale mission scenarios involving industrial and environmental fire detection. Our results show that a lower decoding temperature (0.5) yields higher planning reliability and reduced execution time, with an average mission creation time of 96.96 seconds and a success rate of 93%. We further fine-tune Qwen2.5VL-7B on 9,000 annotated satellite images, achieving strong spatial grounding across diverse visual categories. To foster reproducibility and future research, we will release the full codebase and a novel benchmark dataset for vision-language-based UAV planning.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI