基于大语言模型的多机器人团队组成性协调
机器人学
2025-10-24 v3 人工智能
机器学习
多智能体系统
摘要
多机器人协调传统上依赖于以任务为中心且由专家驱动的流程，其中自然语言任务描述需由领域专家手动翻译为数学公式、算法设计和可执行代码。这种传统方法 labor-intensive（耗费人力）、对非专家不友好，且对任务需求变化不够灵活。本文提出了 LAN2CB（Language to Collective Behavior，语言到集体行为）框架，利用大语言模型（LLM）简化和泛化多机器人协调流程。LAN2CB 通过两个核心模块将自然语言任务描述转化为可执行的 Python 代码：（1）任务分析模块解析任务描述为行为树；（2）代码生成模块利用行为树和结构化知识库生成机器人控制代码。我们进一步引入了一个自然语言任务描述数据集，以支持开发和基准测试。实验在仿真和实际环境中表明，LAN2CB 能够从自然语言实现稳健且灵活的多机器人协调，显著减少手动工程 effort（工作量），并支持广泛的任务类型的泛化。网站：https://sites.google.com/view/lan-cb
引用
@article{arxiv.2507.16068,
title = {Compositional Coordination for Multi-Robot Teams with Large Language Models},
author = {Zhehui Huang and Guangyao Shi and Yuwei Wu and Vijay Kumar and Gaurav S. Sukhatme},
journal= {arXiv preprint arXiv:2507.16068},
year = {2025}
}
备注
IEEE International Symposium on Multi-Robot & Multi-Agent Systems (MRS 2025) Oral