制御アーキテクチャ/LLM2026/9/18arXiv:2609.21319

LEMCA: LLMによる効率的なモード切替制御アーキテクチャの合成

LEMCA: LLM-Guided Synthesis of Efficient Mode-Switching Control Architectures

LLMを進化的ループで用いて、制御モードとリソース配分、モード遷移を自動設計し、単一構成の制御より効率的なモード切替制御を合成する手法を提案。

詳しい要約

1. どんなもの？

- 自然世界の物理制御タスク（運転や物体操作）は、感覚・計算複雑性が時間とともに大きく変動する。 - リソース効率の良いロボット制御として、リソース割り当てを動的に切り替える「mode-switching controllers (MSCs)」が自然な選択肢。 - しかしMSCはタスクごとに専門家による設計・合成が必要で労力が大きい。 - そのため現代のロボット制御アーキテクチャは、最も困難なタスクフェーズにリソースを固定する「monolithic」な一律構造に陥りがち。 - 本研究は、効率的なMSC設計を自動合成するLLM-Guided synthesis of Efficient Mode-Switching Control Architectures (LEMCA)を提案。

2. 先行研究と比べてどこがすごい？

- 従来のMSC設計は専門家による手作業で、タスクごとに多大な労力が必要だった。 - 現代のロボット制御は「monolithic」な一律構造に後退し、リソースを最も困難なフェーズに固定する無駄があった。 - LEMCAはLLMを活用し、MSC設計を自動的・低労力で合成する点が新しい。 - 実験では、monolithic設計のPareto frontierを超える戦略を一貫して発見し、「easy」なタスクフェーズで浪費されていたリソースを回収。

3. 技術・手法の肝は？

- MSC設計を解釈可能なプログラムとして表現し、進化的ループで反復的に改良。 - 設計適合度を評価するため、自動コントローラ合成手法（例：シミュレーションにおけるreinforcement learning）のMSC互換拡張を提案。 - LLMの意味的prior、推論、コーディング能力を活用し、コントローラモード、対応する感覚・計算リソース割り当て、モード遷移を反復的に編集。

4. どうやって有効だと検証した？

- 多様な制御ベンチマークで実験を実施。 - LEMCAがmonolithic設計のPareto frontierを超える戦略を一貫して発見することを示した。 - 「easy」なタスクフェーズで浪費されていたリソースを回収できることを確認。

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：monolithic control architectures、reinforcement learning in simulation、automated controller synthesis approaches。 - 関連手法：mode-switching controllers (MSCs)、Pareto frontier。

※ 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: Arjun Krishna, Vincent Pacelli, Dinesh Jayaraman

分類: cs.RO

原文アブストラクト

Physical control tasks in the natural world, such as driving or object manipulation, frequently exhibit dramatic variations in sensory and compute complexity over time. Correspondingly, a natural resource-efficient choice for robot control is to dynamically switch between control modes with varying resource allocations. However, such "mode-switching controllers" (MSCs) have historically required laborious, expert-driven design and synthesis for each new task. Driven by these design difficulties, modern robotic control architectures often fall back to a wasteful "monolithic" one-size-fits-all structure, where resource allocation is permanently anchored to the hardest, most resource-intensive task phases. To facilitate the design of performant yet efficient MSCs, we propose LLM-Guided synthesis of Efficient Mode-Switching Control Architectures (LEMCA). LEMCA represents MSC designs as interpretable programs to be iteratively refined in an evolutionary loop. To evaluate design fitness, we propose MSC-compatible extensions of automated controller synthesis approaches, such as reinforcement learning in simulation. LEMCA then leverages the semantic priors, reasoning, and coding capabilities of Large Language Models (LLMs) to iteratively edit controller modes, their corresponding sensory-compute resource allocations, and mode transitions. Our experiments across diverse control benchmarks show that LEMCA consistently discovers strategies that surpass the Pareto frontier of monolithic designs by reclaiming wasted resources during "easy" task phases. LEMCA thus presents an automated, low-effort path to synthesize resource-efficient MSC designs.

arXivで原文を読む →arXiv概要ページ

← 論文一覧