Иерархический планировщик на основе LLM для роботов

Планирование задач для нескольких роботов требует разложения инструкций на естественном языке в исполняемые действия для разнородных групп роботов. Традиционные планировщики, использующие язык определения доменов планирования (PDDL), обеспечивают строгие гарантии, но испытывают трудности при обработке неоднозначных или долгосрочных миссий, в то время как большие языковые модели (LLM) могут интерпретировать инструкции и предлагать планы, но могут генерировать недостоверные или невыполнимые действия.

Иерархический многоагентный планировщик

Представлен иерархический многоагентный планировщик на основе LLM с оптимизацией запросов: верхний уровень разбирает задачи и назначает их агентам нижнего уровня, которые генерируют проблемы PDDL, решаемые классическим планировщиком.

Оптимизация запросов

Когда планы не удаются, система применяет обновления текстового градиента, вдохновленные TextGrad, для оптимизации запроса каждого агента и повышения точности планирования. Кроме того, мета-запросы изучаются и передаются агентам в рамках одного и того же слоя, что обеспечивает эффективную оптимизацию запросов в многоагентной среде.

Результаты

На бенчмарке MAT-THOR представленный планировщик достиг показателей успешности в 0.95 для составных задач, 0.84 для сложных задач и 0.60 для расплывчатых задач, что на 2, 7 и 15 процентных пункта выше, чем у предыдущего передового LaMMA-P соответственно. Исследование абляции показало, что иерархическая структура, оптимизация запросов и совместное использование мета-запросов вносят примерно +59, +37 и +4 процентных пункта в общую успешность.