UAV意思決定/LLM制御/安全検証2026/2/1arXiv:2602.23719

SAGE-LLM：ファジィCBF検証とグラフ構造知識検索による安全で汎用性の高いUAV意思決定LLMコントローラ

SAGE-LLM: Towards Safe and Generalizable LLM Controller with Fuzzy-CBF Verification and Graph-Structured Knowledge Retrieval for UAV Decision

シェア:X Threads Facebook LINE はてブ Bluesky

UAVの動的意思決定において、LLMの出力をファジィ制御バリア関数で検証し、グラフ構造の知識検索でシーン適応を強化する、訓練不要の二層意思決定アーキテクチャを提案した。追跡・回避シナリオで安全性と汎化性能の向上を実証している。

詳しい要約

1. どんなもの？

- 本論文は、UAVの動的意思決定において、LLMを安全かつ汎化可能に制御に用いるためのフレームワーク「SAGE-LLM」を提案する。 - 訓練不要の二層意思決定アーキテクチャで、高レベルの安全計画と低レベルの精密制御を統合する。 - 主な貢献は、fuzzy Control Barrier Function (CBF) による検証機構、star-hierarchical graph-based retrieval-augmented generation (RAG) システム、追跡-回避シナリオでの系統的実験検証の3点。 - オンライン訓練なしで安全性と汎化性能を向上させる。

2. 先行研究と比べてどこがすごい？

- 従来のLLMはUAV制御に必要なドメイン知識と形式的な安全保証を欠き、直接適用が困難であった。 - 本手法は、fuzzy CBF検証によりLLM出力に証明可能な安全認証を付与し、RAGにより効率的で解釈可能なシーン適応を実現する。 - オンライン訓練を必要とせず、未知の障害物や新たな脅威が存在する追跡-回避シナリオで性能を維持しつつ安全性と汎化を大幅に向上させる点が先行研究と異なる。

3. 技術・手法の肝は？

- 訓練不要の二層アーキテクチャ：高レベルではLLMが安全計画を生成し、低レベルでは精密制御を行う。 - fuzzy Control Barrier Function (CBF) 検証機構を導入し、意味的に拡張された行動に対して証明可能な安全認証を提供する。 - star-hierarchical graph-based retrieval-augmented generation (RAG) システムにより、効率的・弾力的・解釈可能なシーン適応を可能にする。 - これらを組み合わせ、LLMの出力を安全かつ汎化可能なUAV制御に変換する。

4. どうやって有効だと検証した？

- 未知の障害物と新たな脅威が存在する追跡-回避 (pursuit-evasion) シナリオで系統的な実験検証を実施。 - SAGE-LLMがオンライン訓練なしで性能を維持しつつ、安全性と汎化性能を有意に向上させることを示した。 - 具体的な評価指標やベースラインとの比較詳細は要旨からは不明。

5. 議論はある？

- 提案フレームワークは強い拡張性を示し、より広範なembodied intelligenceシステムや安全クリティカルな制御領域への汎化の可能性が示唆される。 - ただし、具体的な限界や失敗事例、計算コスト、リアルタイム性に関する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/比較されている研究は明示されていない。 - 関連手法として、Control Barrier Function (CBF)、Retrieval-Augmented Generation (RAG)、Large Language Model (LLM) を用いたロボティクス制御、embodied intelligenceに関する研究が次に読むべき論文として考えられる。

※ 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: Wenzhe Zhao, Yang Zhao, Ganchao Liu, Zhiyu Jiang, Dandan Ma, Zihao Li, Xuelong Li

分類: cs.RO, cs.AI

原文アブストラクト

In UAV dynamic decision, complex and variable hazardous factors pose severe challenges to the generalization capability of algorithms. Despite offering semantic understanding and scene generalization, Large Language Models (LLM) lack domain-specific UAV control knowledge and formal safety assurances, restricting their direct applicability. To bridge this gap, this paper proposes a train-free two-layer decision architecture based on LLMs, integrating high-level safety planning with low-level precise control. The framework introduces three key contributions: 1) A fuzzy Control Barrier Function verification mechanism for semantically-augmented actions, providing provable safety certification for LLM outputs. 2) A star-hierarchical graph-based retrieval-augmented generation system, enabling efficient, elastic, and interpretable scene adaptation. 3) Systematic experimental validation in pursuit-evasion scenarios with unknown obstacles and emergent threats, demonstrating that our SAGE-LLM maintains performance while significantly enhancing safety and generalization without online training. The proposed framework demonstrates strong extensibility, suggesting its potential for generalization to broader embodied intelligence systems and safety-critical control domains.

arXivで原文を読む →arXiv概要ページ

← 論文一覧