Multi-Agent Systems for Robotic Autonomy with LLMs

要約

大規模な言語モデル（LLMS）の出現以来、このようなモデルに基づいたさまざまな研究により、特にAIとロボット工学において、大きな学業の注目と影響が維持されています。
この論文では、LLMSを使用したマルチエージェントフレームワークを提案して、ロボットタスク分析、機械設計、およびパス生成のための統合システムを構築します。
このフレームワークには、タスクアナリスト、ロボットデザイナー、Renecortion Learning Designerの3つのコアエージェントが含まれます。
出力は、コードファイルやテクニカルレポートなどのマルチモーダルの結果として、より強力な理解と使いやすさとしてフォーマットされています。
一般化性を比較的評価するために、GPTとDeepSeekの両方のモデルで実験を実施しました。
結果は、提案されたシステムが適切なタスク入力が提供されたときに制御戦略を備えた実行可能なロボットを設計できることを示しており、研究および産業用途におけるロボットシステム開発の効率とアクセシビリティを強化するための実質的な可能性を示しています。

要約(オリジナル)

Since the advent of Large Language Models (LLMs), various research based on such models have maintained significant academic attention and impact, especially in AI and robotics. In this paper, we propose a multi-agent framework with LLMs to construct an integrated system for robotic task analysis, mechanical design, and path generation. The framework includes three core agents: Task Analyst, Robot Designer, and Reinforcement Learning Designer. Outputs are formatted as multimodal results, such as code files or technical reports, for stronger understandability and usability. To evaluate generalizability comparatively, we conducted experiments with models from both GPT and DeepSeek. Results demonstrate that the proposed system can design feasible robots with control strategies when appropriate task inputs are provided, exhibiting substantial potential for enhancing the efficiency and accessibility of robotic system development in research and industrial applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google