タスク・モーションプランニング2026/10/1arXiv:2610.01093

OrbitTAMP: 宇宙機ランデブーにおけるタスク・モーションプランニングのための言語モデルの接地

OrbitTAMP: Grounding Language Models for Task and Motion Planning in Spacecraft Rendezvous

自然言語指令をLLMで部分的なミッション仕様に変換し、再利用可能な行動グラフと軌道最適化で動的に実行可能な宇宙機ランデブー計画を生成する階層的TAMPフレームワークを提案。

詳しい要約

1. どんなもの？

- 宇宙機のランデブー・近傍運用（RPO）におけるタスク・アンド・モーション・プランニング（TAMP）の階層的フレームワーク。 - 自然言語コマンドをLLMが部分的なミッション仕様に変換し、プランナが未指定の決定を解決、軌道最適化が動的に実行可能な軌道を生成する。 - 専門知識を要するRPO計画のボトルネックを緩和し、スケーラブルで監査可能な言語駆動型エージェント計画の基盤を提供する。

2. 先行研究と比べてどこがすごい？

- 直接的なLLM生成と比較して、意図回復が大幅に向上。 - フロンティアLLMを用いた場合、評価した全分割で部分ミッション仕様の98%の完全回復を達成。 - コンパクトな9Bモデルでは、検証器誘導の修正により完全回復が75%から88%に向上。 - 広範な行動計画探索が、許容可能な軌道実現の選択を独立に改善。

3. 技術・手法の肝は？

- 階層的フレームワーク：LLMの意味推論を、再利用可能な行動のグラフとドメイン固有の計画モジュールに接地。 - 事前学習済みLLMが自然言語コマンドを部分ミッション仕様にマッピング。 - 関連プランナが許容運用空間内で未指定の決定を解決。 - 軌道最適化が完成したミッション仕様を動的に実行可能な軌道に変換。

4. どうやって有効だと検証した？

- 数値実験により、直接LLM生成に対する意図回復の改善を実証。 - フロンティアLLM使用時、全評価分割で98%の完全回復を達成。 - テスト時計算実験：9Bモデルで検証器誘導修正により完全回復が75%から88%に増加。 - 行動計画探索の拡大が軌道実現の選択を改善することを独立に確認。

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は明示されていない。 - 同分野の関連手法として、LLM-based agents、Task and Motion Planning (TAMP)、Trajectory Optimization、Spacecraft Rendezvous and Proximity Operations (RPO) が挙げられる。

※ 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: Yuji Takubo, Daniele Gammelli, Marco Pavone, Simone D'Amico

分類: cs.RO, cs.AI, math.OC

原文アブストラクト

Spacecraft rendezvous and proximity operations (RPO) are currently planned through an expertise-intensive process in which engineers translate high-level operational intent into safe, dynamically feasible trajectories, creating a bottleneck to scalable operations. Large language model (LLM)-based agents could offer an intuitive interface for this process, although their outputs are not inherently grounded in orbital dynamics, operational constraints, or the structure of admissible spacecraft maneuvers. To exploit their semantic reasoning while ensuring the generated plan's physical validity, this paper presents a hierarchical framework for spacecraft task-and-motion planning (TAMP) that grounds LLM reasoning in a graph of reusable behaviors and domain-specific planning modules. Within this framework, a pretrained LLM maps a natural-language command to a partial mission specification. The associated planners then resolve unspecified decisions within the admissible operational space. Finally, trajectory optimization converts the completed mission specification into a dynamically feasible trajectory. Numerical experiments demonstrate that this architecture substantially improves intent recovery over direct LLM generation, achieving 98% exact recovery of partial mission specifications across all evaluated splits when backed by frontier LLMs. Additional test-time-compute experiments show that, for a compact 9B model, verifier-guided revision increases exact recovery from 75% to 88%, while broader behavior-plan search independently improves selection among admissible trajectory realizations. Overall, these results establish a scalable and auditable foundation for language-driven agentic planning of spacecraft RPO.

arXivで原文を読む →arXiv概要ページ

OrbitTAMP: 宇宙機ランデブーにおけるタスク・モーションプランニングのための言語モデルの接地

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文