arXiv:2606.12774v1 eess.SY

의미론적 제어 시스템 재합성을 위한 에이전트형 MPC

Agentic MPC for Semantic Control System Resynthesis

Yuya Miyaoka, Masaki Inoue

제출 2026-06-11

한국어 초록

모델 예측 제어(MPC)는 구조적이고 다양하며 저수준의 사양을 효과적으로 처리하지만, 사회적 규범, 사용자 의도 또는 자연어 지시와 같은 고수준 문맥 정보를 동적으로 통합하는 능력은 부족합니다. 이러한 한계를 해결하기 위해, 본 원고는 대규모 언어 모델(LLM) 기반 에이전트와 통합하여 문맥 인식 및 의미론적으로 적응 가능한 제어 합성을 가능하게 하는 에이전트형 MPC 프레임워크를 소개합니다. 에이전트는 자연어 메시지, 환경 관측, 외부 지식을 포함한 이질적인 입력을 해석하여 제어 사양을 재합성합니다. 프레임워크의 효과는 자율 주행 시나리오에서 입증되었으며, 여기서 시스템은 개인 선호도에 맞춰지거나 응급 차량 양보와 같은 사회적 상황에 대응합니다.

원문 초록

While MPC effectively handles structured, diverse, and low-level specifications, it lacks the capability to dynamically incorporate high-level contextual information such as social norms, user intent, or natural language instructions. To address this limitation, this manuscript introduces an agentic MPC framework that enables context-aware, semantically adaptive control synthesis by integrating with large language model-based agents. The agent interprets heterogeneous inputs, including natural language messages, environmental observations, and external knowledge, to resynthesize the control specifications. The effectiveness of the framework is demonstrated in an autonomous driving scenario, where the system aligns with personal preferences or responds to social situations such as emergency vehicle yielding.

요약

MPC가 고수준 문맥 정보를 동적으로 통합하지 못하는 한계를 해결하기 위해, 대규모 언어 모델(LLM) 기반 에이전트와 통합하여 제어 사양을 재합성하는 에이전트형 MPC 프레임워크를 제안한다. 자율 주행 시나리오를 통해 개인 선호도나 응급 차량 양보와 같은 사회적 상황에 대응 가능함을 입증했다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.12774v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.02513v1cs.CV공통 태그 Autonomous Driving, Large Language Model

파편에서 글로벌 맵으로: 대규모 언어 모델을 활용한 벡터화 지도 통합 학습

From Fragments to Global Maps: Learning Vectorized Map Aggregation with Large Language Models

대규모 벡터화 HD 맵(고정밀 지도)은 자율주행의 인지, 위치 추정(localization), 경로 계획(planning)에 필수적인 구조화된 도로 정보를 제공합니다. 이러한 지도를 구축하려면 차량 궤적을 따라 수집된 노이즈가 있고 파편화되며 겹치는 로컬 예측들을 일관된 글로벌 맵으로 통합(aggregation)해야 합니다. 기존의 통합 방식은 일반적으로 파편 연관(association) 및 정제를 위한 수작업 규칙에 의존합니다. 그러나 고정된 임계값 세트는 도로 구조의 다양성과 예측 오차를 효과적으로 처리하지 못해 검출기(detector)별 튜닝이나 수동 조정을 필요로 하는 경우가 많습니다. 이러한 한계를 해결하기 위해, 본 논문에서는 벡터화 지도 통합을 대규모 언어 모델(LLM)을 통한 조건부 시퀀스 생성으로 정식화하는 데이터 주도형 프레임워크인 MapMergeLLM을 제안합니다. 직렬화된 로컬 벡터 지도가 주어지면, 본 모델은 통합된 글로벌 맵의 폴리라인(polyline)을 직접 예측합니다. 특정 업스트림 검출기에 대한 의존도를 낮추기 위해, 대표적인 예측 오류를 시뮬레이션하는 손상(corruption) 기법을 사용하여 정제된 벡터 지도에서 생성한 합성 로컬 지도로 모델을 학습합니다. 또한 지도 좌표를 정밀하게 표현하기 위해 기하학적 구조를 인식하는 사전학습(geometry-aware pretraining) 기반의 좌표 토크나이저를 도입합니다. 아울러 동일한 지도 요소의 로컬 관측 간 대응 관계를 명시적으로 지도하는 선 단위(line-level) 연관 손실을 제안합니다. 최근의 여러 업스트림 검출기를 사용한 Argoverse2 및 nuScenes 데이터셋 실험 결과, MapMergeLLM은 검출기별 재학습 없이도 휴리스틱 및 최적화 기반 통합 베이스라인보다 크게 우수한 성능을 보이는 것으로 나타났습니다.

arXiv:2609.39888v2cs.LG공통 태그 Autonomous Driving, Model Predictive Control

마르코프 동역학 강제자: 학습된 동역학 다양체 상에서 실행 가능성을 보존하는 보정

Markovian Dynamics Enforcer: Feasibility Preserving Correction on Learned Dynamics Manifolds

신경망 궤적 예측 모델(neural trajectory predictor)은 특히 제어 입력이 관측되지 않고 동역학이 부분적으로만 명시된 경우, 동역학, 액추에이터 한계 또는 상태 제약 조건을 위반하면서도 낮은 예측 오차에 도달할 수 있습니다. 본 논문에서는 상태 전이 제안을 학습된 실행 가능한 동역학 다양체(manifold)로 매핑하는 시불변 사후 연산자인 MaDE(Markovian Dynamics Enforcer)를 소개합니다. 이는 실제 제어 입력(ground-truth controls) 없이 실행 가능한 상태만을 바탕으로 학습됩니다. MaDE는 각 전이에 대해 제어 입력을 추론하고, 알려진 물리 법칙과 학습된 잔차(residual)로 구성된 완결 모델(completion model)을 통해 상태를 재계산합니다. 그런 다음 그래디언트 기반 부등식 감소를 통해 해당 제어 입력을 보정하므로, 부등식 만족은 반복(iteration) 예산 내에서 최선의 노력(best-effort)으로 이루어집니다. 모든 보정 반복 단계가 완결 모델에 다시 입력되므로, 반환된 상태는 해당 모델 및 제공된 이전 상태 앵커를 기준으로 구조상 동역학적 일관성을 갖게 됩니다. MaDE는 완전히 명시된 시뮬레이션 시스템에서 동역학 잔차를 본질적으로 0에 가깝게 줄이며, 불충분하게 명시된 시스템에서는 베이스라인보다 더 작은 실제 동역학 잔차를 남깁니다. 임의의 예측 모델에 결합되도록 설계된 이 고정된(frozen) 연산자는 순환 신경망, 구조화된 상태 공간, 트랜스포머(transformer) 예측 모델의 다운스트림에서 평가되었습니다. 기록된 차량 궤적 데이터에서 기구학적 자전거 모델 대비 1단계 잔차는 MaDE 적용 시 0.0071~0.0072인 반면, 원본 예측 모델은 0.1703~0.1714였습니다. MaDE는 평균 변위 오차(ADE)를 1.57배에서 1.83배 증가시킵니다.

arXiv:2610.02038v1cs.AI공통 태그 Model Predictive Control, Large Language Model

Mimir: 장기 관개 제어를 위한 물리 기반 LLM 에이전트

Mimir: Physics-Grounded LLM Agents for Long-Horizon Irrigation Control

대규모 언어 모델(LLM) 에이전트는 추론, 도구 사용 및 행동을 점진적으로 결합하고 있으나, 대부분의 연구 결과는 비교적 즉각적인 피드백과 실패 시 리셋이 가능한 에피소드형 작업에 기반합니다. 장기간 실행되는 물리적 제어는 다른 영역에서 작동합니다. 즉, 행동이 미래 상태를 변화시키고, 결정 전반에 걸쳐 오류가 누적되며, 에이전트는 실행의 안전성을 담보하는 물리적 규칙을 임의로 변경하지 않으면서 경험을 통해 개선되어야 합니다. 본 연구에서는 일일 결정이 전체 생육 기간에 걸쳐 토양-수분 동역학과 상호작용하는 관개를 통해 이러한 영역을 탐구합니다. 저자들은 두 가지 수정 시간 척도(timescale)를 중심으로 구성된 물리 기반 LLM 에이전트인 Mimir를 제안합니다. 빠른 시간 척도에서는 구조화된 물리적 인터페이스와 결정론적 시뮬레이터가 LLM 출력을 제안으로 변환하며, 이를 실행 전에 수치적으로 확인, 수정하고 한계가 지정된 결정론적 행동 선택을 적용합니다. 느린 시간 척도에서는 물리적 모델, 평가기 및 실행 제약 조건은 불변으로 유지되는 반면, 반복되는 실패 패턴은 향후 제안을 조건화하는 지속적인 맥락적 원칙으로 통합됩니다. 여러 장소, 작물 및 연도에 걸친 공통의 소급 평가 환경에서, Mimir는 평가된 기준 모델 중 가장 낮은 총 제어 비용을 달성했으며 과거 일정 재생(schedule replay) 대비 약 51% 적은 관개 용수를 사용했습니다. 절제 연구(ablation study) 결과, 전방 시뮬레이션, 검증된 수정 또는 지속적인 맥락이 제거될 때 더 높은 제어 비용이 발생하는 것으로 나타났으며, 모델 크기 및 모델 패밀리 연구에서는 LLM 크기 증가에 따른 단조로운 성능 향상이 나타나지 않았습니다. 이러한 결과는 지속적인 물리 에이전트가 물리적 진실과 구동기 권한을 명시적인 수치 메커니즘에 남겨두면서도, 의미론적 추론과 제약된 증거 기반 자기 개선을 결합할 수 있음을 보여줍니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.