LiP-LLM: Integrating Linear Programming and dependency graph with Large Language Models for multi-robot task planning

要約

この研究では、マルチロボットのタスク計画のために、線形計画法と依存関係グラフを大規模言語モデル (LLM) と統合する LiP-LLM を提案します。
複数のロボットがタスクをより効率的に実行するには、タスク間の優先順位の依存関係を管理する必要があります。
LLM を使用したマルチロボットの分散型および集中型タスク プランナーが提案されていますが、これらの研究はいずれも、タスク効率の観点から優先順位の依存性に焦点を当てたり、従来の最適化手法を活用したりするものはありません。
これは、スキル間の依存関係の管理とタスク割り当ての最適化における主要な課題に対処します。
LiP-LLM は、LLM によるスキルリスト生成と依存関係グラフ生成、線形計画法によるタスク割り当ての 3 つのステップで構成されます。
LLM は、スキルの包括的なリストを生成し、これらのスキル間の関係と順序制約をマップする依存関係グラフを構築するために利用されます。
スキル実行の実現可能性と効率性を確保するために、尤度計算によりスキルリストを生成し、線形計画法を用いて各ロボットにタスクを最適に割り当てます。
シミュレートされた環境での実験評価では、この方法が既存のタスク プランナーよりも優れたパフォーマンスを発揮し、複雑なマルチロボット タスクの実行においてより高い成功率と効率を達成できることが実証されました。
この結果は、LLM と最適化技術を組み合わせて、調整されたタスクを正確かつ効率的に実行するマルチロボット システムの機能を強化できる可能性を示しています。
2 台のロボットがある環境では、オブジェクト名を変更した言語指導グループで最大 0.82 の成功率の差が観察されます。

要約(オリジナル)

This study proposes LiP-LLM: integrating linear programming and dependency graph with large language models (LLMs) for multi-robot task planning. In order for multiple robots to perform tasks more efficiently, it is necessary to manage the precedence dependencies between tasks. Although multi-robot decentralized and centralized task planners using LLMs have been proposed, none of these studies focus on precedence dependencies from the perspective of task efficiency or leverage traditional optimization methods. It addresses key challenges in managing dependencies between skills and optimizing task allocation. LiP-LLM consists of three steps: skill list generation and dependency graph generation by LLMs, and task allocation using linear programming. The LLMs are utilized to generate a comprehensive list of skills and to construct a dependency graph that maps the relationships and sequential constraints among these skills. To ensure the feasibility and efficiency of skill execution, the skill list is generated by calculated likelihood, and linear programming is used to optimally allocate tasks to each robot. Experimental evaluations in simulated environments demonstrate that this method outperforms existing task planners, achieving higher success rates and efficiency in executing complex, multi-robot tasks. The results indicate the potential of combining LLMs with optimization techniques to enhance the capabilities of multi-robot systems in executing coordinated tasks accurately and efficiently. In an environment with two robots, a maximum success rate difference of 0.82 is observed in the language instruction group with a change in the object name.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google