LLM+P：赋予大语言模型最优规划能力
人工智能
2023-09-28 v3 机器人学
摘要
大语言模型(LLMs)已展现出显著的零样本泛化能力：最先进的聊天机器人能够对日常生活中出现的许多常见问题提供看似合理的回答。然而，迄今为止，LLM尚不能可靠地解决长视野规划问题。相比之下，一旦以格式化方式给出问题，经典规划器便可以利用高效搜索算法快速识别出正确甚至最优的规划。为了兼取两者之长，本文提出LLM+P，这是首个将经典规划器优势引入LLM的框架。LLM+P接收规划问题的自然语言描述，然后返回用于解决该问题的自然语言正确(或最优)规划。LLM+P的实现方式是：首先将语言描述转换为用规划领域定义语言(planning domain definition language, PDDL)编写的文件，然后借助经典规划器快速找到解，再将所找到的解翻译回自然语言。除LLM+P外，我们定义了一组取自常见规划场景的多样化基准问题。通过对这些基准问题开展全面的实验，我们发现LLM+P能够为大多数问题提供最优解，而LLM对大多数问题甚至无法提供可行规划。\footnote{代码与结果公开于 https://github.com/Cranial-XIX/llm-pddl.git。}
引用
@article{arxiv.2304.11477,
title = {LLM+P: Empowering Large Language Models with Optimal Planning Proficiency},
author = {Bo Liu and Yuqian Jiang and Xiaohan Zhang and Qiang Liu and Shiqi Zhang and Joydeep Biswas and Peter Stone},
journal= {arXiv preprint arXiv:2304.11477},
year = {2023}
}