以大语言模型赋能机器人路径规划：基于LLM的osmAG地图拓扑与层次结构理解
机器人学
2024-10-25 v3
摘要
大语言模型（Large Language Models, LLMs）通过提供必要的通用知识，在机器人应用中展现出巨大潜力。移动机器人依赖地图理解来执行定位和导航等任务。在本文中，我们探索使LLM能够理解区域图（Area Graph）的拓扑和层次结构，区域图是一种基于文本的层次化拓扑度量语义地图表示，利用多边形来划分房间或建筑物等区域。我们的实验表明，通过合适的地图表示，LLM可以有效理解区域图的拓扑和层次结构。经过简单的微调，LLaMA2模型在掌握这些方面上超越了ChatGPT-3.5。我们的数据集、数据集生成代码和微调后的LoRA适配器可在 https://github.com/xiefujing/LLM-osmAG-Comprehension 获取。
引用
@article{arxiv.2403.08228,
title = {Empowering Robot Path Planning with Large Language Models: osmAG Map Topology & Hierarchy Comprehension with LLMs},
author = {Fujing Xie and Sören Schwertfeger},
journal= {arXiv preprint arXiv:2403.08228},
year = {2024}
}
备注
Accepted at IEEE International Conference on Robotics and Biomimetics (ROBIO) 2024