Why Solving Multi-agent Path Finding with Large Language Model has not Succeeded Yet

要約

ChatGPT や GPT-4 のような大規模言語モデル (LLM) の成功によって引き起こされた爆発的な影響により、基盤モデルを使用してさまざまなタスクを解決できることを示す最近の研究が大量に行われています。
ただし、複数のエージェントによる計画に関する洞察を共有する研究は非常に限られています。
マルチエージェントの計画は、マルチエージェントの調整と計画が難しく、必要な推論を容易にするために外部ツールを活用することが難しいという点で他の分野とは異なります。
この論文では、マルチロボット経路計画としても知られるマルチエージェント経路探索(MAPF)の問題に焦点を当て、LLMを使用してMAPFを解決する方法を研究します。
最初に、障害物のない空の部屋のマップでやる気を起こさせる成功を示し、次に、少し難しい部屋のマップで計画の失敗を示します。
LLM を使用して MAPF を直接解くことがまだ成功していない理由についての仮説を提示し、仮説を裏付けるためにさまざまな実験を使用します。

要約(オリジナル)

With the explosive influence caused by the success of large language models (LLM) like ChatGPT and GPT-4, there has been an extensive amount of recent work showing that foundation models can be used to solve a large variety of tasks. However, there is very limited work that shares insights on multi-agent planning. Multi-agent planning is different from other domains by combining the difficulty of multi-agent coordination and planning, and making it hard to leverage external tools to facilitate the reasoning needed. In this paper, we focus on the problem of multi-agent path finding (MAPF), which is also known as multi-robot route planning, and study how to solve MAPF with LLMs. We first show the motivating success on an empty room map without obstacles, then the failure to plan on a slightly harder room map. We present our hypothesis of why directly solving MAPF with LLMs has not been successful yet, and we use various experiments to support our hypothesis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google