適応的グループ交渉による異種マルチロボット協調と大規模言語モデルの活用

- 異種マルチロボット協調のための LLM 駆動フレームワーク CLiMRS を提案。 - 各ロボットに LLM agent を割り当て、general proposal planner が動的に subgroup を形成。 - subgroup 内では subgroup manager が perception-driven な multi-LLM discussion を主導し行動指令を生成。 - ロボット実行結果と環境変化を feedback として grouping-planning-execution-feedback loop を回す。 - 評価用に異種マルチロボット組立タスクの benchmark CLiMBench を導入。

- LLM は reasoning と planning に優れるが協調制御への可能性は未開拓と指摘。 - 人間のチームワークに着想を得た group formation と negotiation を導入。 - 最良 baseline を上回り、複雑タスクで 40% 以上の効率向上。 - 単純タスクの成功率を犠牲にしない点が先行研究との差分。

- 各ロボットに LLM agent をペアリング。 - general proposal planner による動的 subgroup 形成。 - subgroup manager が perception-driven multi-LLM discussion を主導。 - ロボット実行結果と環境変化の両方から feedback を取得。 - grouping-planning-execution-feedback loop で効率的 planning と robust execution を両立。

- 異種マルチロボット組立タスクの benchmark CLiMBench を導入。 - CLiMRS を最良 baseline と比較。 - 複雑タスクで 40% 以上の効率向上を確認。 - 単純タスクの成功率は維持。 - コードは GitHub で公開。

- 人間に着想を得た group formation と negotiation が異種マルチロボット協調の効率を大幅に高めることを示唆。 - 空間制約や環境不確実性下の長期的協調に有効。 - 限界や失敗事例、スケーラビリティ、安全性の議論は要旨からは不明。

- 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 planning、multi-agent reinforcement learning、heterogeneous multi-robot task allocation に関する論文を挙げる。