大型语言模型能否解决机器人路由问题？

路由问题在移动机器人中常见，涵盖检查、监视和覆盖等任务。根据目标和约束，这些问题常常退化为旅行商问题（TSP）的变体，解决方案传统上通过将高层目标翻译为优化模型 formulation，并使用现代求解器来获得解答。本文探讨了大型语言模型（LLM）是否能够取代从自然语言描述到机器人路由生成的整个流程。我们通过构建包含80个独特机器人路由问题的数据集（涵盖8种变体，单机器人和多机器人场景），系统性地检验了LLM在机器人路由中的性能。我们通过三种框架进行评估：单次尝试、自我调试以及自我调试结合自我验证和各种上下文，包括数学模型、伪代码和相关研究论文。我们的发现表明，自我调试和自我验证均能提升成功率，但未显著降低最优解间隙。我们观察到上下文敏感行为——提供数学模型作为上下文可降低最优解间隙，但显著降低成功率；提供伪代码和相关研究论文作为上下文则未能一致性地提升成功率或降低最优解间隙。我们识别出关键挑战，并提出未来方向以增强LLM在解决机器人路由问题方面的性能。我们的源代码已在项目网站上提供：https://sites.google.com/view/words-to-routes/。