Fast and Accurate Task Planning using Neuro-Symbolic Language Models and Multi-level Goal Decomposition

要約

ロボットタスク計画では、PDDLのようなルールベースの表現を使用するシンボリックプランナーは効果的ですが、検索スペースが指数関数的に増加するため、複雑な環境での長いシーケンスタスクと闘っています。
一方、人工ニューラルネットワークに基づいたLLMベースのアプローチは、より速い推論と常識的推論を提供しますが、成功率の低下に苦しんでいます。
現在のシンボリック（遅い速度）またはLLMベースのアプローチ（低精度）の制限に対処するために、LLMを使用して複雑なタスクをサブゴールに分解し、SubgoalまたはMCTSベースのLLMプランナーのいずれかを使用して各サブゴールのタスク計画を実行する新しいニューロシンボリックタスクプランナーを提案します。
この分解により、計画時間が短縮され、検索スペースを狭め、LLMがより管理しやすいタスクに集中できるようにすることで、成功率が向上します。
私たちの方法は、タスク計画ドメイン全体で高い成功率を維持しながら、現実世界およびシミュレートされたロボット環境全体で計画時間を大幅に短縮します。
詳細については、http：//graphics.ewha.ac.kr/llmtamp/をご覧ください。

要約(オリジナル)

In robotic task planning, symbolic planners using rule-based representations like PDDL are effective but struggle with long-sequential tasks in complicated environments due to exponentially increasing search space. Meanwhile, LLM-based approaches, which are grounded in artificial neural networks, offer faster inference and commonsense reasoning but suffer from lower success rates. To address the limitations of the current symbolic (slow speed) or LLM-based approaches (low accuracy), we propose a novel neuro-symbolic task planner that decomposes complex tasks into subgoals using LLM and carries out task planning for each subgoal using either symbolic or MCTS-based LLM planners, depending on the subgoal complexity. This decomposition reduces planning time and improves success rates by narrowing the search space and enabling LLMs to focus on more manageable tasks. Our method significantly reduces planning time while maintaining high success rates across task planning domains, as well as real-world and simulated robotics environments. More details are available at http://graphics.ewha.ac.kr/LLMTAMP/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google