Robust Mobile Robot Path Planning via LLM-Based Dynamic Waypoint Generation

要約

複雑な環境でのモバイルロボットパス計画は、特に効率的で安全で堅牢なパスを達成する上で、依然として重要な課題です。
DRLモデルのような従来のパス計画手法は、通常、開始点とターゲット位置の特定の構成のためにトレーニングされます。これらのモデルは、これらの条件が満たされた場合にのみうまく機能します。
この論文では、自然言語コマンドを動的に解釈し、効率的に衝突のないナビゲーションパスを自律的に生成する能力を備えたモバイルロボットに力を与えるために、大規模な言語モデルを埋め込む新しいパス計画フレームワークを提案しました。
提案されたフレームワークでは、LLMSを使用して、高レベルのユーザー入力を実行可能なウェイポイントに変換しながら、障害に応じてパスを動的に調整します。
進歩的な複雑さの3つの異なる環境で提案されたLLMベースのアプローチを実験的に評価し、パス計画時間、ウェイポイント生成の成功率、および衝突回避で他のLLMモデルを上回るLLAMA3.1モデルでのアプローチの堅牢性を示しました。
これは、モバイルロボットの能力を高めるためのLLMの有望な貢献を強調しています。特に、その操作には、大規模で複雑な環境での複雑な決定が含まれます。
私たちのフレームワークは、より安全で信頼性の高いナビゲーションシステムを提供し、将来の研究のための新しい方向性を開きました。
この作業のソースコードは、GitHubで公開されています。

要約(オリジナル)

Mobile robot path planning in complex environments remains a significant challenge, especially in achieving efficient, safe and robust paths. The traditional path planning techniques like DRL models typically trained for a given configuration of the starting point and target positions, these models only perform well when these conditions are satisfied. In this paper, we proposed a novel path planning framework that embeds Large Language Models to empower mobile robots with the capability of dynamically interpreting natural language commands and autonomously generating efficient, collision-free navigation paths. The proposed framework uses LLMs to translate high-level user inputs into actionable waypoints while dynamically adjusting paths in response to obstacles. We experimentally evaluated our proposed LLM-based approach across three different environments of progressive complexity, showing the robustness of our approach with llama3.1 model that outperformed other LLM models in path planning time, waypoint generation success rate, and collision avoidance. This underlines the promising contribution of LLMs for enhancing the capability of mobile robots, especially when their operation involves complex decisions in large and complex environments. Our framework has provided safer, more reliable navigation systems and opened a new direction for the future research. The source code of this work is publicly available on GitHub.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google