CoPAL: Corrective Planning of Robot Actions with Large Language Models

要約

従来人間が行っていたタスクを引き継ぐことができる完全自律型ロボット システムの追求においては、オープンワールド環境の複雑さが大きな課題となります。
この緊急課題に対処するこの研究は、ロボットのタスクおよび動作計画に適用される大規模言語モデル (LLM) の分野に貢献します。
私たちは、推論、計画、動作生成を含む、複数の認知レベル間のシームレスな相互作用を調整するシステム アーキテクチャを提案します。
その核心となるのは、生成された計画内の物理的根拠に基づいた論理的および意味論的なエラーを処理する、新しい再計画戦略です。
提案されたフィードバック アーキテクチャの有効性、特にシミュレーションと 2 つの複雑な現実世界のシナリオ (ブロック世界、バーテンダー、ピザの準備) のコンテキストでの経験的評価を通じて、提案されたフィードバック アーキテクチャの有効性、特に実行可能性、正確性、および時間計算量への影響を実証します。

要約(オリジナル)

In the pursuit of fully autonomous robotic systems capable of taking over tasks traditionally performed by humans, the complexity of open-world environments poses a considerable challenge. Addressing this imperative, this study contributes to the field of Large Language Models (LLMs) applied to task and motion planning for robots. We propose a system architecture that orchestrates a seamless interplay between multiple cognitive levels, encompassing reasoning, planning, and motion generation. At its core lies a novel replanning strategy that handles physically grounded, logical, and semantic errors in the generated plans. We demonstrate the efficacy of the proposed feedback architecture, particularly its impact on executability, correctness, and time complexity via empirical evaluation in the context of a simulation and two intricate real-world scenarios: blocks world, barman and pizza preparation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google