一种 1000 倍更快的 LLM 增强路径规划算法用于大规模网格图
机器人学
2025-12-02 v2 人工智能
摘要
网格图中的路径规划问题源自各种应用，备受关注。现有方法，如 A*、Dijkstra 及其变体，对于小规模地图表现良好，但由于搜索时间和内存消耗，难以应对大规模地图。最近，大型语言模型 (LLM) 在路径规划中展现出卓越性能，但仍受空间幻觉和规划性能不佳的制约。其中，LLM-A* 方法利用 LLM 生成一系列路标点，然后使用 A* 规划相邻路标点之间的路径，从而构建完整路径。然而，LLM-A* 仍因大规模地图的计算时间高而受限。为填补这一空白，我们深入调查了 LLM-A*，发现其瓶颈性导致性能受限。据此，我们设计了一种创新的 LLM 增强算法，简称为 iLLM-A*。iLLM-A* 包括三个仔细设计的机制：优化 A*、LLM 用于生成高质量路标点的增量学习方法，以及为 A* 选择合适的路标点进行路径规划。最后，在各种网格图上的全面评估显示，与 LLM-A* 相比，iLLM-A* 1) 平均实现速度提升超过 1000 倍，在极端情况下最高可达 2349.5 倍，2) 内存消耗降低最高可达 58.6%，3) 实现显著更短的路径长度且路径长度标准差更低。
引用
@article{arxiv.2510.02716,
title = {A $1000\times$ Faster LLM-enhanced Algorithm For Path Planning in Large-scale Grid Maps},
author = {Junlin Zeng and Xin Zhang and Xiang Zhao and Yan Pan},
journal= {arXiv preprint arXiv:2510.02716},
year = {2025}
}