Safe Task Planning for Language-Instructed Multi-Robot Systems using Conformal Prediction

要約

この論文では、言語教育を受けたロボット チームのタスク計画の問題について取り上げます。
タスクは自然言語 (NL) で表現され、ロボットがさまざまな場所や意味オブジェクトでその機能 (移動性、操作、感知など) を適用する必要があります。
最近のいくつかの研究では、事前トレーニングされた大規模言語モデル (LLM) を活用して効果的なマルチロボット計画を設計することで、同様の計画の問題に対処しています。
ただし、これらのアプローチにはミッションのパフォーマンスと安全性の保証がありません。
この課題に対処するために、高いミッション成功率を達成できる新しい分散型 LLM ベースのプランナーを導入します。
これは、ブラックボックス モデルにおける分布フリーの不確実性定量化ツールである等角予測 (CP) を活用することで実現されます。
CP を使用すると、提案されているマルチロボット プランナーは、分散型の方法でその固有の不確実性について推論することができ、ロボットが十分に確実な場合には個別の決定を下し、そうでない場合は助けを求めることができます。
提案されたプランナーは、ヘルプ リクエストの総数を最小限に抑えながら、ユーザーが指定したタスクの成功率を達成できることを、理論的にも経験的にも示します。
マルチロボット ホーム サービス アプリケーションに対するアプローチのパフォーマンスを実証します。
また、比較実験を通じて、正しい計画を設計する能力の点で、私たちの方法が最近の集中型および分散型マルチロボットLLMベースのプランナーよりも優れていることを示します。
ベースラインに対する私たちのアルゴリズムの利点は、ミッションの複雑さとロボットチームの規模が増加するにつれて、より顕著になります。

要約(オリジナル)

This paper addresses task planning problems for language-instructed robot teams. Tasks are expressed in natural language (NL), requiring the robots to apply their capabilities (e.g., mobility, manipulation, and sensing) at various locations and semantic objects. Several recent works have addressed similar planning problems by leveraging pre-trained Large Language Models (LLMs) to design effective multi-robot plans. However, these approaches lack mission performance and safety guarantees. To address this challenge, we introduce a new decentralized LLM-based planner that is capable of achieving high mission success rates. This is accomplished by leveraging conformal prediction (CP), a distribution-free uncertainty quantification tool in black-box models. CP allows the proposed multi-robot planner to reason about its inherent uncertainty in a decentralized fashion, enabling robots to make individual decisions when they are sufficiently certain and seek help otherwise. We show, both theoretically and empirically, that the proposed planner can achieve user-specified task success rates while minimizing the overall number of help requests. We demonstrate the performance of our approach on multi-robot home service applications. We also show through comparative experiments, that our method outperforms recent centralized and decentralized multi-robot LLM-based planners in terms of in terms of its ability to design correct plans. The advantage of our algorithm over baselines becomes more pronounced with increasing mission complexity and robot team size.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google