日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マルチロボット計画arXiv:2602.04129

KGLAMP: 知識グラフで導く異種マルチロボットの適応的計画・再計画

KGLAMP: Knowledge Graph-guided Language model for Adaptive Multi-robot Planning and Replanning

シェア:XThreadsFacebookLINEはてブBluesky

知識グラフをLLMと組み合わせ、異種マルチロボットチームのPDDL計画を生成・動的に更新する枠組みを提案し、ベンチマークで性能を25%以上改善した。

詳しい要約

1. どんなもの?

- 異種マルチロボットチームの長期的ミッション向け計画・再計画フレームワーク - Knowledge Graph (KG) が LLM を導き、正確な PDDL 問題仕様を生成 - KG は物体関係・空間到達可能性・ロボット能力を構造化して保持 - 動的に更新される永続メモリとして新観測を統合し、不整合検出時に再計画を起動 - MAT-THOR ベンチマークで評価

2. 先行研究と比べてどこがすごい?

- 従来の PDDL planner は手動で記号モデルを構築する必要があった - LLM ベースの planner はエージェントの異種性や環境不確実性を無視しがち - KGLAMP は KG を介して LLM に構造化知識を与え、正確な PDDL 仕様生成を実現 - 動的環境での計画一貫性を維持し、再計画をトリガーする仕組みを備える - MAT-THOR で LLM-only および PDDL-based 変種に対し少なくとも 25.3% の性能向上

3. 技術・手法の肝は?

- Knowledge Graph が物体関係・空間到達可能性・ロボット能力をエンコード - KG が LLM をガイドし、PDDL 問題仕様を生成 - KG は永続的で動的に更新されるメモリとして機能 - 新たな観測を KG に組み込み、不整合を検出すると再計画を起動 - これにより記号計画が進化する世界状態に適応

4. どうやって有効だと検証した?

- MAT-THOR ベンチマーク上で実験 - LLM-only および PDDL-based の変種と比較 - 性能が少なくとも 25.3% 向上することを確認

5. 議論はある?

- 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: LLM-based planners, Classical PDDL planners - 関連手法: Knowledge Graph-guided planning, MAT-THOR benchmark

※ 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: Chak Lam Shek, Faizan M. Tariq, Sangjae Bae, David Isele, Piyush Gupta

分類: cs.RO, cs.AI, cs.ET, cs.MA

原文アブストラクト

Heterogeneous multi-robot systems are increasingly used in long-horizon missions requiring coordinated planning across diverse capabilities. However, existing planning approaches struggle to construct accurate symbolic representations and maintain plan consistency in dynamic environments. Classical PDDL planners require manually crafted symbolic models, while LLM-based planners often ignore agent heterogeneity and environmental uncertainty. We introduce KGLAMP, a knowledge-graph-guided LLM planning framework for heterogeneous multi-robot teams. The framework maintains a structured knowledge graph encoding object relations, spatial reachability, and robot capabilities, which guides the LLM in generating accurate PDDL problem specifications. The knowledge graph serves as a persistent, dynamically updated memory that incorporates new observations and triggers replanning upon detecting inconsistencies, enabling symbolic plans to adapt to evolving world states. Experiments on the MAT-THOR benchmark show that KGLAMP improves performance by at least 25.3% over both LLM-only and PDDL-based variants.

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

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