LLaMAR：用于部分可观测环境中多机器人长期规划的语言模型
机器人学
2025-01-14 v2 多智能体系统
摘要
语言模型（LM）理解自然语言的能力使其成为解析自动机器人指令以生成任务计划的强大工具。不同于依赖领域特定知识和手工规则的传统规划方法，LM从多样化数据中学习并能适应各种任务，仅需少量调参即可发挥作用，充当压缩知识库。然而，标准形式下的LM在处理长期任务时面临挑战，尤其是在部分可观测的多智能体环境中。我们提出基于LM的多机器人长期规划器（LLaMAR），一种实现于部分可观测环境中长期任务规划的认知架构，取得了与现有方法相比在长期任务中的最先进成绩。LLaMAR采用计划-行动-纠正-验证框架，允许在行动执行反馈中进行自我纠正，无需依赖或acles或模拟器。此外，我们构建了MAP-THOR测试套件，涵盖AI2-THOR环境中各类复杂度的家庭任务。实验表明，LLaMAR在MAP-THOR和搜救任务中比其他基于LM的多机器人规划器实现了约30%的更高成功率。代码可在 https://github.com/nsidn98/LLaMAR 查阅。
引用
@article{arxiv.2407.10031,
title = {LLaMAR: Long-Horizon Planning for Multi-Agent Robots in Partially Observable Environments},
author = {Siddharth Nayak and Adelmo Morrison Orozco and Marina Ten Have and Vittal Thirumalai and Jackson Zhang and Darren Chen and Aditya Kapoor and Eric Robinson and Karthik Gopalakrishnan and James Harrison and Brian Ichter and Anuj Mahajan and Hamsa Balakrishnan},
journal= {arXiv preprint arXiv:2407.10031},
year = {2025}
}
备注
27 pages, 4 figures, 5 tables