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 ルート プランニングとしても知られるマルチ エージェント パス検索 (MAPF) の問題に焦点を当て、LLM を使用して MAPF を解決するパフォーマンスを研究します。
まず、障害物のない空の部屋マップでモチベーションを高める成功を示し、次に、標準の MAPF ベンチマークのより難しい部屋マップと迷路マップで計画を立てるのに失敗することを示します。
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私たちの立場を示し、仮説を裏付けるためにさまざまな実験を使用します。
私たちの結果に基づいて、さまざまな背景を持つ研究者がさまざまな観点からこの問題にどのように貢献できるかについて議論しました。

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 the performance of solving MAPF with LLMs. We first show the motivating success on an empty room map without obstacles, then the failure to plan on the harder room map and maze map of the standard MAPF benchmark. We present our position on why directly solving MAPF with LLMs has not been successful yet, and we use various experiments to support our hypothesis. Based on our results, we discussed how researchers with different backgrounds could help with this problem from different perspectives.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google