CLMASP: Coupling Large Language Models with Answer Set Programming for Robotic Task Planning

要約

大規模言語モデル (LLM) は、広範な基礎知識と適度な推論能力を備えているため、オープンワールド シナリオでの一般的なタスクの計画に適しています。
ただし、LLM で生成された計画を、特定の制限付きで指定されたロボットに対して実行可能にすることは困難です。
この論文では、CLMASP を紹介します。CLMASP は、LLM と応答セット プログラミング (ASP) を組み合わせて制限を克服するアプローチです。ASP は、ロボットの動作知識を表現し推論する能力で知られる非単調論理プログラミング形式です。
CLMASP は、基本的なスケルトン プランを生成する LLM から開始され、その後、ベクトル データベースを使用して特定のシナリオに合わせて調整されます。
次に、この計画は、ロボットのアクション知識を使用して ASP プログラムによって洗練され、実装の詳細がスケルトンに統合され、LLM の抽象的な出力が実際のロボットのコンテキストに根づきます。
VirtualHome プラットフォームで行われた実験では、CLMASP の有効性が実証されています。
LLM アプローチのベースライン実行可能率は 2% 未満でしたが、CLMASP ではこれが 90% 以上に大幅に向上しました。

要約(オリジナル)

Large Language Models (LLMs) possess extensive foundational knowledge and moderate reasoning abilities, making them suitable for general task planning in open-world scenarios. However, it is challenging to ground a LLM-generated plan to be executable for the specified robot with certain restrictions. This paper introduces CLMASP, an approach that couples LLMs with Answer Set Programming (ASP) to overcome the limitations, where ASP is a non-monotonic logic programming formalism renowned for its capacity to represent and reason about a robot’s action knowledge. CLMASP initiates with a LLM generating a basic skeleton plan, which is subsequently tailored to the specific scenario using a vector database. This plan is then refined by an ASP program with a robot’s action knowledge, which integrates implementation details into the skeleton, grounding the LLM’s abstract outputs in practical robot contexts. Our experiments conducted on the VirtualHome platform demonstrate CLMASP’s efficacy. Compared to the baseline executable rate of under 2% with LLM approaches, CLMASP significantly improves this to over 90%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google