Leveraging Pre-trained Large Language Models with Refined Prompting for Online Task and Motion Planning

要約

人工知能の急速な進歩により、毎日のタスクで人間を支援し、複雑な操作を実行できるインテリジェントロボットに対する需要が高まっています。
このようなロボットは、タスク計画機能を必要とするだけでなく、安定性と堅牢性を備えたタスクを実行する必要があります。
このホワイトペーパーでは、閉鎖されたループタスク計画および演技システムであるLLM-PAを紹介します。これは、事前に訓練された大手言語モデル（LLM）の支援を受けています。
LLM-PASは、従来のタスクやモーションプランナーに似た方法で長距離タスクを計画していますが、タスクの実行フェーズも強調しています。
制約チェックプロセスの一部を計画フェーズから実行フェーズに転送することにより、LLM-PAは制約空間の調査を可能にし、実行中の環境異常に関するより正確なフィードバックを提供します。
LLMの推論能力により、堅牢なエグゼクティアが対処できない異常を処理できます。
再施行中にプランナーを支援するシステムの能力をさらに強化するために、LLMを誘導する最初の外観プロンプト（FLP）メソッドを提案します。
比較プロンプト実験と体系的な実験を通じて、タスクの実行中の異常条件の処理におけるLLM-PAの有効性と堅牢性を示します。

要約(オリジナル)

With the rapid advancement of artificial intelligence, there is an increasing demand for intelligent robots capable of assisting humans in daily tasks and performing complex operations. Such robots not only require task planning capabilities but must also execute tasks with stability and robustness. In this paper, we present a closed-loop task planning and acting system, LLM-PAS, which is assisted by a pre-trained Large Language Model (LLM). While LLM-PAS plans long-horizon tasks in a manner similar to traditional task and motion planners, it also emphasizes the execution phase of the task. By transferring part of the constraint-checking process from the planning phase to the execution phase, LLM-PAS enables exploration of the constraint space and delivers more accurate feedback on environmental anomalies during execution. The reasoning capabilities of the LLM allow it to handle anomalies that cannot be addressed by the robust executor. To further enhance the system’s ability to assist the planner during replanning, we propose the First Look Prompting (FLP) method, which induces LLM to generate effective PDDL goals. Through comparative prompting experiments and systematic experiments, we demonstrate the effectiveness and robustness of LLM-PAS in handling anomalous conditions during task execution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google