Large Language Models to the Rescue: Deadlock Resolution in Multi-Robot Systems

要約

マルチエージェントロボットシステムは障害物環境ではデッドロックに陥りやすく、スムーズな低レベル制御ポリシーの下ではシステムが目的の場所から離れて動けなくなる可能性があります。
多くの場合、高レベルのコマンドによる外部介入がなければ、低レベルの制御ポリシーだけでこのようなデッドロックを解決できることを保証することはできません。
このペーパーでは、大規模言語モデル (LLM) の一般化可能性とデータ要件の低さを利用して、デッドロック解決に LLM を使用する可能性を検討します。
我々は、LLM がリーダーとそのリーダーが進む方向を割り当てることでデッドロックを解決する階層型制御フレームワークを提案します。
グラフ ニューラル ネットワーク (GNN) ベースの低レベルの分散制御ポリシーが、割り当てられた計画を実行します。
私たちは、デッドロックを解決する際の LLM のパフォーマンスを向上させるために、さまざまなプロンプト手法を体系的に研究しています。
特に、迅速なエンジニアリングの一環として、LLM のコンテキスト内の例を提供します。
私たちは、最大 15 人のエージェントと 40 の障害物を備えたさまざまなマルチロボット環境で広範な実験を実施しました。
私たちの結果は、LLM ベースの高レベル プランナーが MRS のデッドロックの解決に効果的であることを示しています。

要約(オリジナル)

Multi-agent robotic systems are prone to deadlocks in an obstacle environment where the system can get stuck away from its desired location under a smooth low-level control policy. Without an external intervention, often in terms of a high-level command, it is not possible to guarantee that just a low-level control policy can resolve such deadlocks. Utilizing the generalizability and low data requirements of large language models (LLMs), this paper explores the possibility of using LLMs for deadlock resolution. We propose a hierarchical control framework where an LLM resolves deadlocks by assigning a leader and direction for the leader to move along. A graph neural network (GNN) based low-level distributed control policy executes the assigned plan. We systematically study various prompting techniques to improve LLM’s performance in resolving deadlocks. In particular, as part of prompt engineering, we provide in-context examples for LLMs. We conducted extensive experiments on various multi-robot environments with up to 15 agents and 40 obstacles. Our results demonstrate that LLM-based high-level planners are effective in resolving deadlocks in MRS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google