arXiv'de uzay robotları ve LLM ajanı makaleleri yayınlandı

arXiv online preprint sunucusunda 26 Ekim 2026 tarihinde iki yeni yapay zeka makalesi yer aldı. İlk makale, dual-arm uzay manipülatörlerin işbirlikçi hareket planlamasında PPO ve SAC algoritmalarının karşılaştırıldığını rapor ediyor. İkinci makale ise LLM ajanlarında bağlam sıkıştırma stratejilerinin görev performansı üzerindeki etkisini incelemekle meşgul.

Uzay manipülatörlerinde algoritma karşılaştırması

İlk çalışma, orbital çöp temizleme ve on-orbit servisleme için dual-arm uzay manipülatörlerin koordinasyonunu ele alıyor. Merkezi durum temsili, joint-space, end-effector ve hedef-göreli bilgileri birleştiriyor. Çok amaçlı ödül fonksiyonu, hedef ulaştırma doğruluğu, yön hizalama, hareket akıcılığı, senkronize görev tamamlama ve çarpışma önlemeyi teşvik ediyor.

PPO ve SAC, pekiştirmeli öğrenmedeki temsilci on-policy ve off-policy algoritmaları olarak karşılaştırılıyor. SAC, her bir rastgele tohumda 80% başarı eşiğine medyan 1,6 milyon ortam adımında ulaşıyor. PPO ise 4 milyon adım bütçesi içinde bu eşiğe ulaşamıyor. SAC, PPO'ya göre daha yüksek ortalama başarı oranına sahip; oranlar sırasıyla %78,6 ve %7,4. Ayrıca SAC daha düşük konum ve yön hatalarına da sahip.

Her iki algoritma da görünmemiş sınır hedeflerinde performans kaybı yaşıyor. Ancak SAC performansının çoğunu korurken PPO'nun çöktüğü belirtiliyor. PPO'nun iki aşamalı şekillendirilmiş ödül altında ödül-loitering yerel optimumuna yakınma eğilimi gösterdiği bir hata modu ortaya çıkıyor.

LLM ajanlarında bağlam sıkıştırma

İkinci makale, uzun horizon ajanik görevlerde LLM ajanlarının bağlam penceresinin dolması sonrası bağlam sıkıştırma sürecine odaklanıyor. Araştırma, OpenCode ajan çerçevesi üzerinde beş sıkıştırma stratejisi uygulayıp üç frontier modeli üç uzun horizon test setinde değerlendiriyor. Makalenin kaynak 2'sinde 25 sayfa ve 11 şekil bulunuyor.

1 milyon bağlam penceresine sahip iki model için sıkıştırma eşiği görev performansını ölçülebilir şekilde etkilemiyor. En küçük bağlam penceresine sahip model, düşük eşiklerde PaperBench ve PostTrainBench'te daha kötü performans gösteriyor. Hiçbir sıkıştırma yöntemi varsayılan kendi özetleme yönteminden daha iyi sonuç vermiyor. Bazı sıkıştırma yöntemleri, bazı modellerde en fazla 20 puan kayıba neden oluyor.

ProgramBench'te ilk sıkıştırma özeti, görev anti-hile kurallarının yaklaşık bir kısmını ortalama olarak düşürüyor. Gerçek kullanıcı-ajans oturumlarında, ajanın nasıl çalışması ve yapmaması gerektiğiyle ilgili talimatlar, ne yapılacağını belirten spesifikasyonlardan yaklaşık 6 kez daha çok düşürülüyor.

Yazarlar, mevcut test setlerinin sıkıştırma dostu olduğunu ve çoğu atılan içeriğin geri kazanılabileceğini, ancak başka yerde bulunmayan kısıtlamaların hariç olduğunu savunuyor.

Neden önemli?

Orbital çöp popülasyonunun artması, aktif çöp temizleme ve on-orbit servisleme ilgisini arttırırken, dual-arm uzay manipülatörlerin koordinasyonu inter-arm çarpışma önleme ve yön hizalama gibi zorluklarla karşı karşıya. Aynı zamanda uzun horizon ajanik görevler, LLM ajanlarının bağlam penceresinin sınırlarını zorlamakta ve bağlam sıkıştırma yöntemlerinin sistematik değerlendirmesi gerektiğini gösteriyor.

Kaynak: arXiv — Artificial Intelligence, arXiv — Machine Learning

Temsili görsel: Freek Wolsink / Pexels