Efficient Behavior Tree Planning with Commonsense Pruning and Heuristic

要約

動作ツリー (BT) 計画は自律ロボットの動作制御にとって重要ですが、複雑なシナリオでの適用は計画時間が長いために妨げられます。
枝刈りとヒューリスティックは計画を高速化するための一般的な手法ですが、BT 計画問題に対して一般的な枝刈り戦略やヒューリスティック関数を設計するのは困難です。
この論文では、大規模言語モデル (LLM) によって提供される常識的推論を活用して、日常サービス ロボットの BT 計画効率を向上させ、モデルフリーの事前計画アクション スペース プルーニングとヒューリスティック生成につながることを提案します。
このアプローチでは、述語ロジックで表される BT ノードのモジュール性と解釈可能性を利用して、明示的なアクション モデルを使用せずに、LLM がタスク関連のアクション述語とオブジェクト、さらには最適なパスを予測できるようにします。
我々は、2 つのヒューリスティック バリアントを備えたヒューリスティック最適動作ツリー拡張アルゴリズム (HOBTEA) を提案し、それらの効率と最適性についての正式な比較と議論を提供します。
微調整せずに LLM の推論パフォーマンスを向上させる、学習可能で移転可能な常識ライブラリを導入します。
常識ライブラリに基づいたアクションスペースの拡張により、計画の成功率をさらに高めることができます。
実験では、常識的な枝刈りとヒューリスティックの理論的限界を示し、常識的なライブラリを使用した LLM の学習と推論の実際のパフォーマンスを実証します。
4 つのデータセットの結果は、日常のサービス ロボット アプリケーションにおける当社のアプローチの実際的な有効性を示しています。

要約(オリジナル)

Behavior Tree (BT) planning is crucial for autonomous robot behavior control, yet its application in complex scenarios is hampered by long planning times. Pruning and heuristics are common techniques to accelerate planning, but it is difficult to design general pruning strategies and heuristic functions for BT planning problems. This paper proposes improving BT planning efficiency for everyday service robots leveraging commonsense reasoning provided by Large Language Models (LLMs), leading to model-free pre-planning action space pruning and heuristic generation. This approach takes advantage of the modularity and interpretability of BT nodes, represented by predicate logic, to enable LLMs to predict the task-relevant action predicates and objects, and even the optimal path, without an explicit action model. We propose the Heuristic Optimal Behavior Tree Expansion Algorithm (HOBTEA) with two heuristic variants and provide a formal comparison and discussion of their efficiency and optimality. We introduce a learnable and transferable commonsense library to enhance the LLM’s reasoning performance without fine-tuning. The action space expansion based on the commonsense library can further increase the success rate of planning. Experiments show the theoretical bounds of commonsense pruning and heuristic, and demonstrate the actual performance of LLM learning and reasoning with the commonsense library. Results in four datasets showcase the practical effectiveness of our approach in everyday service robot applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google