自動計画2025/9/1arXiv:2509.13691

SPAR: 航空ロボティクス向けのLLMによるスケーラブルなPDDLドメイン生成

SPAR: Scalable LLM-based PDDL Domain Generation for Aerial Robotics

大規模言語モデルを用いて自然言語からUAVタスクのPDDLドメインを自動生成するフレームワークSPARを提案し、データセット構築と評価パイプラインを整備した。

詳しい要約

1. どんなもの？

- UAV タスク向けの PDDL domain を LLM で自動生成する研究 - 自然言語入力から valid・diverse・semantically accurate な PDDL domain を生成する framework「SPAR」を提案 - UAV の surveillance・delivery・inspection など多様な用途の domain 設計コストを削減する狙い - あわせて UAV planning dataset と評価 pipeline を提供

2. 先行研究と比べてどこがすごい？

- PDDL は robotic planning の標準だが、domain 設計は手作業で labor-intensive かつ error-prone - 従来は用途ごとに人手で domain を設計する必要があり、専門知識のない応用担当者の参入を妨げていた - SPAR は LLM の generative capabilities を用いてこの設計作業を自動化・加速する点が特徴 - 具体的な既存手法との定量比較は要旨からは不明

3. 技術・手法の肝は？

- まず UAV planning 用の dataset を体系的に構築・検証 - ground-truth の PDDL domain と associated problems を含む - 各 domain と action の詳細説明を対にする - この dataset 上で、自然言語入力から高品質な PDDL domain を生成する prompting framework を設計 - 生成物を syntax validation・executability・feasibility・interpretability の観点で評価

4. どうやって有効だと検証した？

- 構築した UAV planning dataset を体系的に定式化し検証 - 生成された PDDL domain に対し以下を実施 - syntax validation - executability の確認 - feasibility の確認 - interpretability の評価 - これらを通じて LLM が複雑な planning domain 作成を大幅に加速できることを示した - 具体的な数値・ベースライン比較は要旨からは不明

5. 議論はある？

- LLM により複雑な planning domain の作成を大幅に加速できると主張 - 再現可能な dataset と評価 pipeline を提供し、事前経験のない応用専門家でも実務に活用可能と述べる - aerial robotics と automated planning の今後の研究を促進する位置づけ - 限界・失敗事例・生成 domain の信頼性に関する具体的議論は要旨からは不明

6. 次に読むべき論文は？

- 要旨で参照・比較されている個別研究は明示されていない - 関連手法として PDDL を用いた automated planning の定番である classical planners（例: Fast Downward など） - LLM による code/structured output 生成の prompting 研究 - UAV task planning に関する既存の PDDL domain 研究

※ 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: Songhao Huang, Yuwei Wu, Guangyao Shi, Gaurav S. Sukhatme, Vijay Kumar

分類: cs.RO

原文アブストラクト

We investigate the problem of automatic domain generation for the Planning Domain Definition Language (PDDL) using Large Language Models (LLMs), with a particular focus on unmanned aerial vehicle (UAV) tasks. Although PDDL is a widely adopted standard in robotic planning, manually designing domains for diverse applications such as surveillance, delivery, and inspection is labor-intensive and error-prone, which hinders adoption and real-world deployment. To address these challenges, we propose SPAR, a framework that leverages the generative capabilities of LLMs to automatically produce valid, diverse, and semantically accurate PDDL domains from natural language input. To this end, we first introduce a systematically formulated and validated UAV planning dataset, consisting of ground-truth PDDL domains and associated problems, each paired with detailed domain and action descriptions. Building on this dataset, we design a prompting framework that generates high-quality PDDL domains from language input. The generated domains are evaluated through syntax validation, executability, feasibility, and interpretability. Overall, this work demonstrates that LLMs can substantially accelerate the creation of complex planning domains, providing a reproducible dataset and evaluation pipeline that enables application experts without prior experience to leverage it for practical tasks and advance future research in aerial robotics and automated planning.

arXivで原文を読む →arXiv概要ページ

← 論文一覧