日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2509.24160

メモリ転送計画:LLM駆動の文脈適応型コード適応によるロボットマニピュレーション

Memory Transfer Planning: LLM-driven Context-Aware Code Adaptation for Robot Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

異なる環境での成功した制御コード例を手続き的知識として活用し、LLMによるロボットマニピュレーションの計画を文脈に応じて適応させるフレームワークを提案。シミュレーションと実機で成功率と適応性を向上させた。

詳しい要約

1. どんなもの?

- LLM を用いたロボットマニピュレーションのための計画フレームワーク Memory Transfer Planning (MTP) を提案する研究。 - 異なる環境で成功した制御コード例を procedural knowledge として code memory に蓄積する。 - それを in-context guidance として LLM の計画生成に利用する。 - 対象は新しい環境への適応が難しい既存 LLM ベース手法の課題解決。 - 環境ごとの policy training や固定 prompt・単発コード生成への依存を避ける狙い。

2. 先行研究と比べてどこがすごい?

- 環境固有の policy training を必要とせず、固定 prompt と単発コード生成に依存する手法の限界を狙う点が特徴。 - 単なる naive retrieval や memory-free re-planning と比較して、成功 rate と適応性を一貫して改善したと報告。 - モデルパラメータを更新せずに、code memory の成功例を文脈的に適応させる点が先行手法との差分。 - 詳細な先行研究名や定量的な比較値は要旨からは不明。

3. 技術・手法の肝は?

- MTP は次の3段階からなる。 - (i) LLM により初期 plan と code を生成する。 - (ii) code memory から関連する成功例を検索する。 - (iii) 検索した code を対象設定に contextually adapt し、再計画に用いる。 - モデルパラメータの更新は行わず、in-context guidance として procedural knowledge を活用する。 - 異環境の成功制御コードを再利用可能な知識として扱う点が技術の肝。

4. どうやって有効だと検証した?

- RLBench、CALVIN、および実機ロボットで評価を実施。 - 比較対象は fixed-prompt code generation、naive retrieval、memory-free re-planning。 - これらの設定で success rate と adaptability が一貫して改善したと報告。 - 実機実験では simulation で構築した memory の利用が有効であることを示した。 - 具体的な成功率や被験タスク数は要旨からは不明。

5. 議論はある?

- simulation で構築した memory が実機でも有効である点から、sim-to-real の橋渡し的可能性を議論。 - 新規環境への適応性向上と実世界展開への実用的アプローチとして位置づけ。 - 限界や失敗事例、memory の規模・検索精度・安全性に関する詳細な議論は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で比較対象として挙げられた fixed-prompt code generation、naive retrieval、memory-free re-planning の関連研究。 - 評価に用いられた RLBench、CALVIN に関するベンチマーク論文。 - LLM によるロボットマニピュレーションの code generation / planning に関する代表的先行研究(具体名は要旨からは不明)。

※ 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: Tomoyuki Kagaya, Subramanian Lakshmi, Yuxuan Lou, Thong Jing Yuan, Jayashree Karlekar, Sugiri Pranata, Natsuki Murakami, Akira Kinose, Yang You

分類: cs.RO, cs.AI, cs.LG

原文アブストラクト

Large language models (LLMs) are increasingly explored in robot manipulation, but many existing methods struggle to adapt to new environments. Many systems require either environment-specific policy training or depend on fixed prompts and single-shot code generation, leading to limited transferability and manual re-tuning. We introduce Memory Transfer Planning (MTP), a framework that leverages successful control-code examples from different environments as procedural knowledge, using them as in-context guidance for LLM-driven planning. Specifically, MTP (i) generates an initial plan and code using LLMs, (ii) retrieves relevant successful examples from a code memory, and (iii) contextually adapts the retrieved code to the target setting for re-planning without updating model parameters. We evaluate MTP on RLBench, CALVIN, and a physical robot, demonstrating effectiveness beyond simulation. Across these settings, MTP consistently improved success rate and adaptability compared with fixed-prompt code generation, naive retrieval, and memory-free re-planning. Furthermore, in hardware experiments, leveraging a memory constructed in simulation proved effective. MTP provides a practical approach that exploits procedural knowledge to realize robust LLM-based planning across diverse robotic manipulation scenarios, enhancing adaptability to novel environments and bridging simulation and real-world deployment.

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. 2newmo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
  3. 3GXO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
  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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI