DELTA: Decomposed Efficient Long-Term Robot Task Planning using Large Language Models

要約

大規模な言語モデル（LLMS）の最近の進歩は、多くの研究分野で革命を起こしました。
ロボット工学では、LLMSからタスクとモーション計画への常識的な知識の統合により、前例のないレベルのコンテキスト認識を解き放つことにより、フィールドが大幅に進歩しました。
膨大な知識のコレクションにもかかわらず、大規模な言語モデルは、幻覚やドメイン情報の欠落により、実行不可能な計画を生成する可能性があります。
これらの課題に対処し、計画の実現可能性と計算効率を改善するために、新しいLLMに基づいたタスク計画アプローチであるDeltaを紹介します。
LLMS内の環境表現としてシーングラフを使用することにより、デルタは正確な計画問題の説明の迅速な生成を達成します。
計画のパフォーマンスを向上させるために、DeltaはLLMを使用して長期タスク目標をサブゴールの自動回復シーケンスに分解し、自動化されたタスクプランナーが複雑な問題を効率的に解決できるようにします。
広範な評価では、デルタが効率的で完全に自動的なタスク計画パイプラインを可能にし、最先端と比較してより高い計画成功率と大幅な計画時間を達成できることを示しています。
プロジェクトWebページ：https：//delta-llm.github.io/

要約(オリジナル)

Recent advancements in Large Language Models (LLMs) have sparked a revolution across many research fields. In robotics, the integration of common-sense knowledge from LLMs into task and motion planning has drastically advanced the field by unlocking unprecedented levels of context awareness. Despite their vast collection of knowledge, large language models may generate infeasible plans due to hallucinations or missing domain information. To address these challenges and improve plan feasibility and computational efficiency, we introduce DELTA, a novel LLM-informed task planning approach. By using scene graphs as environment representations within LLMs, DELTA achieves rapid generation of precise planning problem descriptions. To enhance planning performance, DELTA decomposes long-term task goals with LLMs into an autoregressive sequence of sub-goals, enabling automated task planners to efficiently solve complex problems. In our extensive evaluation, we show that DELTA enables an efficient and fully automatic task planning pipeline, achieving higher planning success rates and significantly shorter planning times compared to the state of the art. Project webpage: https://delta-llm.github.io/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google