A Temporal Planning Framework for Multi-Agent Systems via LLM-Aided Knowledge Base Management

要約

このペーパーでは、Plantor（タスク指向ロボットの自然言語を計画している計画）と呼ばれる新しいフレームワークを紹介します。これは、大規模な言語モデル（LLM）をプロログベースの知識管理とマルチロボットタスクの計画と統合します。
このシステムは、ロボット指向の知識ベースの2段階の生成を採用し、再利用性と構成の推論を確保し、混合インテガー線形プログラミングを介した時間的依存性、リソースの制約、並列タスクの実行を処理する3段階の計画手順を採用しています。
最終計画は、ROS2で直接使用するために動作ツリーに変換されます。
ブロックの世界とアーチ構築シナリオ内のマルチロボットアセンブリタスクでフレームワークをテストしました。
結果は、LLMが適度な人間のフィードバックを備えた正確な知識ベースを生成できることを示していますが、Prologは正式な正しさと説明可能性を保証します。
このアプローチは、柔軟でスケーラブルで人間の理解可能な計画を必要とする高度なロボット工学タスクのLLM統合の可能性を強調しています。

要約(オリジナル)

This paper presents a novel framework, called PLANTOR (PLanning with Natural language for Task-Oriented Robots), that integrates Large Language Models (LLMs) with Prolog-based knowledge management and planning for multi-robot tasks. The system employs a two-phase generation of a robot-oriented knowledge base, ensuring reusability and compositional reasoning, as well as a three-step planning procedure that handles temporal dependencies, resource constraints, and parallel task execution via mixed-integer linear programming. The final plan is converted into a Behaviour Tree for direct use in ROS2. We tested the framework in multi-robot assembly tasks within a block world and an arch-building scenario. Results demonstrate that LLMs can produce accurate knowledge bases with modest human feedback, while Prolog guarantees formal correctness and explainability. This approach underscores the potential of LLM integration for advanced robotics tasks requiring flexible, scalable, and human-understandable planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google