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:2601.00555

LLMエージェントによる探索とスキル統合を用いたロボットナビゲーションとマニピュレーション

LLM-Based Agentic Exploration for Robot Navigation & Manipulation with Skill Orchestration

シェア:XThreadsFacebookLINEはてブBluesky

屋内ショッピングタスクを対象に、LLMベースのエージェントが看板検出で意味地図を構築し、自然言語指示から店舗間移動と物体把持までを一貫して実行するシステムを提案した。

詳しい要約

1. どんなもの?

- 屋内ショッピングタスク向けのLLMベースのエージェント型探索システム - Gazeboシミュレーションと実世界の廊下レイアウトで評価 - ロボットは交差点で看板を検出し、方向とPOIの関係を軽量セマンティックマップに逐次構築 - AprilTagsを反復可能なアンカーとして接近・位置合わせに利用 - 自然言語の買い物リクエストに対し、LLMが各交差点で制約付き離散行動(方向と店舗入店の有無)を生成 - ROS有限状態メインコントローラがモジュール式モーションプリミティブをゲート制御して実行

2. 先行研究と比べてどこがすごい?

- 従来のナビゲーションとマニピュレーションを統合したエンドツーエンドシステムと比較し、LLMをエージェント型探索に活用 - テキストベースのマップとログされた意思決定履歴によりモジュール性とデバッグ容易性を実現 - シミュレーションと実世界の両方で評価している点が先行研究と比べて特徴的 - 具体的な比較対象は要旨からは不明

3. 技術・手法の肝は?

- 交差点での看板検出による軽量セマンティックマップの逐次構築 - 方向とPOIの関係および推定交差点ポーズの保存 - AprilTagsによる反復可能なアンカーを用いた接近と位置合わせ - LLMによる制約付き離散行動の生成(方向と店舗入店の有無) - ROS有限状態メインコントローラによるモジュール式モーションプリミティブのゲート制御 - 局所コストマップベースの障害物回避、AprilTag接近、店舗入店、把持を含む

4. どうやって有効だと検証した?

- Gazeboシミュレーションと対応する実世界の廊下レイアウトで評価 - 定性的結果により、ユーザ指示から複数店舗ナビゲーションと物体回収までのエンドツーエンドタスク実行が可能であることを示す - テキストベースのマップとログされた意思決定履歴を通じてモジュール性とデバッグ容易性を確認 - 定量的評価は要旨からは不明

5. 議論はある?

- システムのモジュール性とデバッグ容易性が強調されている - テキストベースのマップとログされた意思決定履歴が利点として挙げられている - 限界や課題、議論の詳細は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない - 同分野の定番として、LLM-based robot navigation、semantic mapping、AprilTag-based localization、ROS-based task planning、Gazebo simulation for robotics などが関連 - 具体的な論文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: Abu Hanif Muhammad Syarubany, Farhan Zaki Rahmani, Trio Widianto

分類: cs.RO

原文アブストラクト

This paper presents an end-to-end LLM-based agentic exploration system for an indoor shopping task, evaluated in both Gazebo simulation and a corresponding real-world corridor layout. The robot incrementally builds a lightweight semantic map by detecting signboards at junctions and storing direction-to-POI relations together with estimated junction poses, while AprilTags provide repeatable anchors for approach and alignment. Given a natural-language shopping request, an LLM produces a constrained discrete action at each junction (direction and whether to enter a store), and a ROS finite-state main controller executes the decision by gating modular motion primitives, including local-costmap-based obstacle avoidance, AprilTag approaching, store entry, and grasping. Qualitative results show that the integrated stack can perform end-to-end task execution from user instruction to multi-store navigation and object retrieval, while remaining modular and debuggable through its text-based map and logged decision history.

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. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXO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
  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