LLM A*: Human in the Loop Large Language Models Enabled A* Search for Robotics

要約

この研究では、ロボットなどのモバイル具体化されたエージェントの（ループ中の人間でインタラクティブな方法で（PATH）計画にどのように役立つか）に焦点を当てています。
LLM A*という名前の新しいフレームワークは、LLMSの常識を活用することを目的としており、最適に近い少数のパス計画を促進するために、ユーティリティ最適なA*が提案されています。
プロンプトは、2つの主な目的に使用されます。1）LLMSに環境、コスト、ヒューリスティックなどなどの重要な情報を提供する。
2）中間計画結果に関する人間のフィードバックをLLMSに伝える。
このアプローチは、人間のフィードバックを搭載し、計画プロセス全体を人間に透明にします（「白い箱」に似ています）。
さらに、コードフリーのパス計画を容易にし、それにより、コーディングに習熟していないコミュニティに対する人工知能技術のアクセシビリティと包括性を促進します。
A*およびRLに対する比較分析は、LLM A*が検索スペースに関してより大きな効率を示し、A*に匹敵するパスを達成しながらRLを上回ることを示しています。
LLM A*のインタラクティブな性質により、共同のヒューマンロボットタスクに展開するための有望なツールになります。
コードと補足資料は、github：https：//github.com/speedhawk/llm-a-にあります。

要約(オリジナル)

This research focuses on how Large Language Models (LLMs) can help with (path) planning for mobile embodied agents such as robots, in a human-in-the-loop and interactive manner. A novel framework named LLM A*, aims to leverage the commonsense of LLMs, and the utility-optimal A* is proposed to facilitate few-shot near-optimal path planning. Prompts are used for two main purposes: 1) to provide LLMs with essential information like environments, costs, heuristics, etc.; 2) to communicate human feedback on intermediate planning results to LLMs. This approach takes human feedback on board and renders the entire planning process transparent (akin to a `white box’) to humans. Moreover, it facilitates code-free path planning, thereby fostering the accessibility and inclusiveness of artificial intelligence techniques to communities less proficient in coding. Comparative analysis against A* and RL demonstrates that LLM A* exhibits greater efficiency in terms of search space and achieves paths comparable to A* while outperforming RL. The interactive nature of LLM A* also makes it a promising tool for deployment in collaborative human-robot tasks. Codes and Supplemental Materials can be found at GitHub: https://github.com/speedhawk/LLM-A-.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google