NAMO-LLM: Efficient Navigation Among Movable Obstacles with Large Language Model Guidance

要約

障害を避けながら、望ましい目標領域に到達するロボットパスを計算するために、いくつかのプランナーが提案されています。
ただし、これらのメソッドは、目標へのすべての経路がブロックされている場合に失敗します。
そのような場合、ロボットは、環境を再構成してタスク関連領域にアクセスする方法について推論する必要があります。これは、可動オブジェクト（NAMO）間のナビゲーションとして知られている問題です。
この問題に対するさまざまな解決策が開発されていますが、彼らはしばしば非常に乱雑な環境に拡大するのに苦労しています。
これに対処するために、ロボットと障害物の構成を検索して、どの障害物、どこで、どの順序で実行可能な計画を立てるために、ロボットと障害物の構成を検索するサンプリングベースのプランナーであるNAMO-LLMを提案します。
その重要な斬新さは、大規模な言語モデル（LLM）によって導かれる不均一なサンプリング戦略であり、ツリーの構造を方向にバイアスしてソリューションを生成する可能性が高くなります。
NAMO-LLMは確率的に完全に完了しており、実験を通じて乱雑な環境に効率的にスケーリングし、ランタイムとプランの品質の両方で関連する作品を上回ることを示しています。

要約(オリジナル)

Several planners have been proposed to compute robot paths that reach desired goal regions while avoiding obstacles. However, these methods fail when all pathways to the goal are blocked. In such cases, the robot must reason about how to reconfigure the environment to access task-relevant regions – a problem known as Navigation Among Movable Objects (NAMO). While various solutions to this problem have been developed, they often struggle to scale to highly cluttered environments. To address this, we propose NAMO-LLM, a sampling-based planner that searches over robot and obstacle configurations to compute feasible plans specifying which obstacles to move, where, and in what order. Its key novelty is a non-uniform sampling strategy guided by Large Language Models (LLMs) biasing the tree construction toward directions more likely to yield a solution. We show that NAMO-LLM is probabilistically complete and demonstrate through experiments that it efficiently scales to cluttered environments, outperforming related works in both runtime and plan quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google