Consolidating Trees of Robotic Plans Generated Using Large Language Models to Improve Reliability

要約

大規模言語モデル (LLM) の固有の確率的な性質により、予測不可能な要素が導入され、出力の潜在的な不一致に関する懸念が生じます。
この論文では、現実世界の多様な要求とシナリオに対して正しく最適なロボット タスク プランを生成することを目的とした革新的なアプローチを紹介します。
LLM はタスク プランの生成に使用されてきましたが、信頼性が低く、間違った手順、疑わしい手順、または高コストの手順が含まれている可能性があります。
提案されたアプローチでは、LLM を使用して多数のタスク プランをツリーとして生成し、疑わしいパスを削除することでそれらをグラフに統合します。
その後、最適なタスク ツリーを取得して、疑わしい高コストのノードを回避できるため、計画の精度と実行効率が向上します。
このアプローチは、大規模な知識ネットワークを組み込むことでさらに改善されます。
GPT-4 をさらに活用すると、高レベルのタスク プランが、ロボットによって実行可能な低レベルの計画ドメイン定義言語 (PDDL) プランに変換されます。
評価結果は、タスク計画の分野における以前の方法論と比較して、私たちのアプローチの精度と効率が優れていることを強調しています。

要約(オリジナル)

The inherent probabilistic nature of Large Language Models (LLMs) introduces an element of unpredictability, raising concerns about potential discrepancies in their output. This paper introduces an innovative approach aims to generate correct and optimal robotic task plans for diverse real-world demands and scenarios. LLMs have been used to generate task plans, but they are unreliable and may contain wrong, questionable, or high-cost steps. The proposed approach uses LLM to generate a number of task plans as trees and amalgamates them into a graph by removing questionable paths. Then an optimal task tree can be retrieved to circumvent questionable and high-cost nodes, thereby improving planning accuracy and execution efficiency. The approach is further improved by incorporating a large knowledge network. Leveraging GPT-4 further, the high-level task plan is converted into a low-level Planning Domain Definition Language (PDDL) plan executable by a robot. Evaluation results highlight the superior accuracy and efficiency of our approach compared to previous methodologies in the field of task planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google