HBTP：基于大语言模型推理的启发式行为树规划
机器人学
2025-03-10 v5 人工智能
摘要
行为树 (BT) 因其模块化、响应性和鲁棒性而日益成为机器人控制结构中的热门选择。然而，BT 的生成方法在复杂场景下往往受限于长时间的规划，主要由于缺乏领域知识。相比之下，预训练的大语言模型 (LLM) 在各类领域展示了任务推理能力，但其规划的正确性与安全性尚存疑虑。本文提出将 BT 规划与 LLM 推理集成，引入启发式行为树规划 (HBTP)——一种可靠且高效的 BT 生成框架。HBTP 的核心思想是利用 LLM 进行任务特定推理，以生成一条启发式路径，供 BT 规划沿此路径高效展开。我们首先介绍启发式 BT 展开过程，并设计两种启发式变体以实现最优规划与次优规划。随后提出两类方法缓解 LLM 推理不准问题，包括动作空间修剪与反思式反馈，以进一步提升推理准确性与规划效率。实验表明，HBTP 拥有理论上的规划界限，四组数据集结果亦证明其在日常服务机器人应用中的实际有效性。
引用
@article{arxiv.2406.00965,
title = {HBTP: Heuristic Behavior Tree Planning with Large Language Model Reasoning},
author = {Yishuai Cai and Xinglin Chen and Yunxin Mao and Minglong Li and Shaowu Yang and Wenjing Yang and Ji Wang},
journal= {arXiv preprint arXiv:2406.00965},
year = {2025}
}