EmboTeam：通过 PDDL 将 LLM 推理锚定至反应式行为树以实现具身多机器人协作
机器人学
2026-03-06 v2 人工智能
计算机视觉与模式识别
机器学习
多智能体系统
摘要
在具身人工智能中，使异构机器人团队根据高层指令执行长时程任务仍是一个关键挑战。尽管大语言模型（LLM）在指令解析和初步规划方面展现出潜力，但它们在长期推理和动态多机器人协调中存在局限性。我们提出了 EmboTeam，一种新颖的具身多机器人任务规划框架，通过三阶段级联架构解决这些问题：1）利用 LLM 解析指令并生成规划领域定义语言（PDDL）问题描述，从而将命令转化为形式化规划问题；2）将 LLM 的语义推理与经典规划器的搜索能力相结合，以生成优化的动作序列；3）将所得规划编译为用于反应式控制的行为树。该框架通过共享黑板机制进行通信和状态同步，支持动态规模的异构机器人团队。为了验证我们的方法，我们引入了 MACE-THOR 基准数据集，包含跨越 8 种不同家庭布局的 42 项复杂任务。实验表明，与 LaMMA-P 基线相比，EmboTeam 将任务成功率从 12% 提高到 55%，目标条件召回率从 32% 提高到 72%。
引用
@article{arxiv.2601.11063,
title = {EmboTeam: Grounding LLM Reasoning into Reactive Behavior Trees via PDDL for Embodied Multi-Robot Collaboration},
author = {Haishan Zeng and Mengna Wang and Peng Li},
journal= {arXiv preprint arXiv:2601.11063},
year = {2026}
}