基于LLM信息的模型驱动规划与提示选择用于部分已知环境中的对象搜索
机器人学
2026-03-26 v1 人工智能
机器学习
摘要
我们提出了一种新型LLM信息驱动的模型驱动规划框架，以及一种新型提示选择方法，用于部分已知环境中的对象搜索。我们的 approach 使用LLM估计在搜索场景中各位置寻找目标对象的概率统计信息，结合从环境地图中提取的旅行成本，用于实例化模型，从而利用LLM进行规划以实现有效的搜索性能。此外，我们所依赖的抽象化方法可用于部署时模型选择，我们利用这一洞见来实现在部署期间快速的提示和LLM选择。仿真实验表明，我们的LLM信息驱动的模型驱动规划方法在基线规划策略（完全依赖LLM）和乐观策略之间分别实现了最高11.8%和39.2%的改进，而我们所采用的数据带类选择方法使我们能够在部署时快速选择最佳提示和LLM，平均成本降低6.5%，平均累积收益降低33.8%。真实机器人在公寓中的实验进一步证明了这些改进的有效性。
关键词
引用
@article{arxiv.2603.23800,
title = {Object Search in Partially-Known Environments via LLM-informed Model-based Planning and Prompt Selection},
author = {Abhishek Paudel and Abhish Khanal and Raihan I. Arnob and Shahriar Hossain and Gregory J. Stein},
journal= {arXiv preprint arXiv:2603.23800},
year = {2026}
}
备注
17 pages, 9 figures