3P-LLM: Probabilistic Path Planning using Large Language Model for Autonomous Robot Navigation

要約

世俗的な意味論的な知識の多くは、大規模言語モデル (LLM) でエンコードできます。
このような情報は、自然言語で記述された高レベルで時間的に拡張されたコマンドを実行したいロボットにとって非常に役立つ可能性があります。
しかしながら、言語モデルが持つ現実世界の経験の欠如は、特定の実施形態内での意思決定に言語モデルを使用することを困難にする重要な制限となっている。
この研究では、ロボットの経路計画に LLM (OpenAI の GPT-3.5-turbo チャットボット) を使用する実現可能性を評価します。
複雑な環境を管理し、変化する環境条件に対して信頼できる計画を策定するための従来のアプローチの欠点が、この研究の原動力となっています。
LLM の高度な自然言語処理能力、リアルタイムで効果的かつ適応性のある経路計画アルゴリズムを提供する能力、優れた精度、および少数ショット学習機能により、GPT-3.5-turbo はロボット工学における経路計画に最適です。
。
この研究では、多数のシミュレートされたシナリオで、GPT-3.5 ターボのパフォーマンスを、Rapidly Exploring Random Tree (RRT) や A* などの最先端のパス プランナーのパフォーマンスと比較しています。
GPT-3.5-turbo がロボットにリアルタイムの経路計画フィードバックを提供でき、同等の製品よりも優れたパフォーマンスを発揮することが観察されました。
この論文では、LLM を利用したロボット システムの経路計画の基礎を確立します。

要約(オリジナル)

Much worldly semantic knowledge can be encoded in large language models (LLMs). Such information could be of great use to robots that want to carry out high-level, temporally extended commands stated in natural language. However, the lack of real-world experience that language models have is a key limitation that makes it challenging to use them for decision-making inside a particular embodiment. This research assesses the feasibility of using LLM (GPT-3.5-turbo chatbot by OpenAI) for robotic path planning. The shortcomings of conventional approaches to managing complex environments and developing trustworthy plans for shifting environmental conditions serve as the driving force behind the research. Due to the sophisticated natural language processing abilities of LLM, the capacity to provide effective and adaptive path-planning algorithms in real-time, great accuracy, and few-shot learning capabilities, GPT-3.5-turbo is well suited for path planning in robotics. In numerous simulated scenarios, the research compares the performance of GPT-3.5-turbo with that of state-of-the-art path planners like Rapidly Exploring Random Tree (RRT) and A*. We observed that GPT-3.5-turbo is able to provide real-time path planning feedback to the robot and outperforms its counterparts. This paper establishes the foundation for LLM-powered path planning for robotic systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google