日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

タスク計画arXiv:2606.25404

HEART: 物理的制約を考慮したロボットタスク計画のための異種エキスパートエージェントの協調

HEART: Coordination of Heterogeneous Expert Agents for Physically Grounded Robotic Task Planning

シェア:XThreadsFacebookLINEはてブBluesky

大規模言語モデルを役割別の専門エージェントに分割し、物理的・空間的制約を検証しながらロボットのタスク計画を生成するフレームワークを提案した。

詳しい要約

1. どんなもの?

- LLMを用いたロボットタスクプランニングの新手法 - 異種マルチLLMフレームワーク「HEART」を提案 - 指示を原子的推論タスクに分解し、役割特化したエキスパートエージェントに割り当て - トークン予算下で実世界の計算・通信制約に対応 - 物理的・空間的制約を満たす実行可能な計画を生成

2. 先行研究と比べてどこがすごい?

- 従来のLLMベースプランナーはテキストを直接行動列に変換 - 実現可能性・到達可能性・論理順序の構造的推論が欠如 - 単一LLMやルールベースプランナーと比較して計画成功率を一貫して改善 - 異種LLM協調によりリソース制約下でも堅牢でスケーラブルな計画を実現

3. 技術・手法の肝は?

- 指示を原子的推論タスクに分解 - 役割特化した異種エキスパートエージェントに割り当て - トークン予算を考慮した割り当て - 役割指向推論と制約駆動型計画合成を組み合わせ - 計画前に能力・到達可能性・制約条件を検証

4. どうやって有効だと検証した?

- 異なる家庭内ベンチマークで実験 - 単一LLMおよびルールベースプランナーと比較 - 計画成功率の向上を確認 - リソース制約下での有効性を実証

5. 議論はある?

- 異種LLM協調がリソース制約下で堅牢かつスケーラブルな計画を可能にすることを示唆 - 具体的な限界や失敗事例、計算コストの詳細は要旨からは不明 - トークン予算の設定方法やエージェント間通信のオーバーヘッドは要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:単一LLMプランナー、ルールベースプランナー - 関連手法:LLM-based planners, heterogeneous multi-LLM frameworks - 同分野の定番:SayCan, Inner Monologue, LLM+P, Text2Motion

※ 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: Junho Lee, Seabin Lee, Wonjong Lee, Nayoung Kim, Moonjeong Kang, Changjoo Nam

分類: cs.RO

原文アブストラクト

Large Language Models (LLMs) can reason over complex instructions but often fail to satisfy the physical and spatial constraints required for robotic task planning. Recent LLM-based planners directly translate text into action sequences, yet they lack structured reasoning about feasibility, reachability, and logical order, resulting in invalid or incomplete plans. We present a heterogeneous multi-LLM framework that decomposes instructions into atomic reasoning tasks and allocates them to role-specialized expert agents under a token budget for real-world computational and communicational constraints. By combining role-oriented reasoning from heterogeneous agents followed by constraint-driven plan synthesis, HEART validates capability, reachability, and constraint conditions before planning and helps produce physically executable plans while maintaining efficiency. Experiments across different household benchmarks show that HEART consistently improves plan success compared to single-LLM and rule-based planners, demonstrating that heterogeneous LLM collaboration enables robust and scalable robotic task planning under resource constraints.

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