LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning

要約

パス計画は、ロボット工学と自律的なナビゲーションにおける基本的な科学的問題であり、障害を避けながら、起動ポイントから目的地までの効率的なルートの導出を必要とします。
A*やそのバリアントのような従来のアルゴリズムは、経路の妥当性を確保することができますが、状態空間が成長するにつれて重要な計算およびメモリの非効率性に苦しんでいます。
逆に、大規模な言語モデル（LLM）は、文脈的理解を通じてより広範な環境分析に優れており、環境へのグローバルな洞察を提供します。
しかし、それらは詳細な空間的および時間的推論に不足しており、多くの場合、無効または非効率的なルートにつながります。
この作業では、A*の正確な経路探索機能とLLMのグローバルな推論能力を相乗的に組み合わせる新しいLLMベースのルート計画方法であるLLM-A*を提案します。
このハイブリッドアプローチは、特に大規模なシナリオで、経路の妥当性の完全性を維持しながら、時間と空間の複雑さの点でパスファインディング効率を高めることを目的としています。
両方の方法論の強度を統合することにより、LLM-A*は、効果的なパスフィンディングに必要な妥当性を損なうことなく、従来のアルゴリズムの計算およびメモリの制限に対処します。

要約(オリジナル)

Path planning is a fundamental scientific problem in robotics and autonomous navigation, requiring the derivation of efficient routes from starting to destination points while avoiding obstacles. Traditional algorithms like A* and its variants are capable of ensuring path validity but suffer from significant computational and memory inefficiencies as the state space grows. Conversely, large language models (LLMs) excel in broader environmental analysis through contextual understanding, providing global insights into environments. However, they fall short in detailed spatial and temporal reasoning, often leading to invalid or inefficient routes. In this work, we propose LLM-A*, an new LLM based route planning method that synergistically combines the precise pathfinding capabilities of A* with the global reasoning capability of LLMs. This hybrid approach aims to enhance pathfinding efficiency in terms of time and space complexity while maintaining the integrity of path validity, especially in large-scale scenarios. By integrating the strengths of both methodologies, LLM-A* addresses the computational and memory limitations of conventional algorithms without compromising on the validity required for effective pathfinding.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google