3P-LLM：基于大语言模型的自主机器人导航概率路径规划
机器人学
2024-03-28 v1
摘要
大量现实世界的语义知识可被编码于大语言模型(LLMs)中。此类信息对于执行以自然语言表述的长时间跨度高层指令的机器人极具价值。然而，语言模型缺乏现实世界经验，这是将其用于特定实体中决策的关键限制。本研究评估了使用LLM（OpenAI的GPT-3.5-turbo聊天机器人）进行机器人路径规划的可行性。传统方法在管理复杂环境和为变化的环境条件制定可靠计划方面的不足，是本研究的驱动力。得益于LLM先进的自然语言处理能力、提供实时高效且自适应路径规划算法的能力、极高的准确性以及少样本学习能力，GPT-3.5-turbo非常适合机器人路径规划。在多个仿真场景中，本研究将GPT-3.5-turbo的性能与快速探索随机树(RRT)和A*等最先进路径规划器进行了比较。我们观察到，GPT-3.5-turbo能够为机器人提供实时路径规划反馈，且优于同类方法。本文为基于LLM的机器人系统路径规划奠定了基础。
引用
@article{arxiv.2403.18778,
title = {3P-LLM: Probabilistic Path Planning using Large Language Model for Autonomous Robot Navigation},
author = {Ehsan Latif},
journal= {arXiv preprint arXiv:2403.18778},
year = {2024}
}
备注
Exploratory Study