LightPlanner：轻量级大语言模型在任务规划中的推理能力挖掘
机器人学
2025-10-27 v2
摘要
近年来，由于低计算资源需求和适用于边缘部署的特性，轻量级大语言模型（LLM）在机器人领域受到了广泛关注。然而，在任务规划——尤其是涉及动态语义逻辑推理的复杂任务中，轻量级 LLM 表现不佳。为此，我们提出了一种新型任务规划器 LightPlanner，通过充分发挥轻量级 LLM 的推理能力，提升其在复杂任务规划中的性能。不同于使用固定技能模板的常规规划器，LightPlanner 通过参数化函数调用控制机器人动作，动态生成参数值。这种方法实现了细粒度的技能控制，提高了复杂场景下的任务规划成功率。此外，我们引入层次化深度推理。在生成每个动作决策步骤前，LightPlanner 充分考虑三个层次：动作执行（反馈验证）、语义解析（目标一致性验证）以及参数生成（参数有效性验证），确保后续动作控制的正确性。我们还引入记忆模块存储历史动作，从而缩短上下文长度，提高长期任务的规划效率。我们在自建的 LightPlan-40k 数据集上训练了 LightPlanner-1.5B 模型，该数据集包含 40,000 条跨 2 到 13 步动作的控制指令。实验表明，我们的模型在参数最少的前提下实现了最高的任务成功率。在涉及空间语义推理的任务中，其成功率比 ReAct 高出 14.9%。此外，我们展示了 LightPlanner 在边缘设备上的潜在应用能力。
引用
@article{arxiv.2503.08508,
title = {LightPlanner: Unleashing the Reasoning Capabilities of Lightweight Large Language Models in Task Planning},
author = {Weijie Zhou and Manli Tao and Chaoyang Zhao and Honghui Dong and Ming Tang and Jinqiao Wang},
journal= {arXiv preprint arXiv:2503.08508},
year = {2025}
}
备注
The 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025)