基于 LLM 的异构机器人团队通用层次任务规划与执行：面向事件驱动的动态重规划
机器人学
2025-12-01 v1
摘要
本文引入 CoMuRoS（Collaborative Multi-Robot System），是一个面向异构机器人团队的通用层次架构，统一了集中式 deliberation 与分散式执行，支持事件驱动的重规划。任务管理 LLM 解释自然语言目标，分类任务并通过静态规则结合动态上下文（任务、历史、机器人状态及事件）分配子任务。每个机器人运行本地 LLM，将原始技能（ROS2 节点、策略）组合生成可执行的 Python 代码，同时 onboard 感知（VLMs/图像处理）持续监控事件并分类为与任务相关或无关。任务失败或用户意图变化触发重规划，使机器人能够协助队友、恢复任务或请求人类帮助。硬件实验表明，系统能够实现从突发事件的自主恢复、无关干扰的过滤以及紧密协同运输，体现了人机协作的涌现现象（如多机器人协作对象恢复成功率：9/10，协同运输：8/8，人机辅助恢复：5/5）。仿真实验显示意图感知的重规划能力。构建的文本基准涵盖 22 个情景（每个情景 3 个任务，约 20 个机器人），评估任务分配、分类、IoU、可执行性和正确性，多个 LLM模型在该基准上均取得高分（例如正确性最高达 0.91），独立的重规划子集（5 个情景）实现 1.0 的正确性。与现有 LLM 基于系统相比，CoMuRoS 独特地在物理机器人上实现了运行时事件驱动重规划，为稳健、灵活的多机器人及人机协作提供了支持。
引用
@article{arxiv.2511.22354,
title = {LLM-Based Generalizable Hierarchical Task Planning and Execution for Heterogeneous Robot Teams with Event-Driven Replanning},
author = {Suraj Borate and Bhavish Rai B and Vipul Pardeshi and Madhu Vadali},
journal= {arXiv preprint arXiv:2511.22354},
year = {2025}
}
备注
submitted to ICRA 2026