LLM A*: Human in the Loop Large Language Models Enabled A* Search for Robotics

要約

この研究は、ラージ言語モデル (LLM) が人間参加型かつ対話型の方法で、ロボットなどのモバイルの身体化エージェントの (パス) 計画にどのように役立つかに焦点を当てています。
LLM A* という新しいフレームワークは、LLM の常識を活用することを目的としており、ユーティリティ最適化 A* は、少数のショットで最適に近いパス計画を容易にするために提案されています。
プロンプトは 2 つの主な目的に使用されます。1) LLM に環境、コスト、ヒューリスティックなどの重要な情報を提供する。
2) 中間計画結果に関する人間のフィードバックを LLM に伝達する。
このアプローチでは、人間のフィードバックが取り入れられ、計画プロセス全体が人間にとって透明になります (「ホワイト ボックス」に似ています)。
さらに、コード不要のパス計画が容易になり、コーディングの習熟度が低いコミュニティに対する人工知能技術の利用しやすさと包括性が促進されます。
A* と RL との比較分析では、LLM A* が検索空間の点でより優れた効率を示し、RL よりも優れたパフォーマンスを示しながら、A* に匹敵するパスを実現することが実証されています。
LLM A* のインタラクティブな性質により、人間とロボットの共同作業に導入するための有望なツールにもなります。
コードと補足資料は、GitHub: https://github.com/speedhawk/LLM-A- でご覧いただけます。

要約(オリジナル)

This research focuses on how Large Language Models (LLMs) can help with (path) planning for mobile embodied agents such as robots, in a human-in-the-loop and interactive manner. A novel framework named LLM A*, aims to leverage the commonsense of LLMs, and the utility-optimal A* is proposed to facilitate few-shot near-optimal path planning. Prompts are used for two main purposes: 1) to provide LLMs with essential information like environments, costs, heuristics, etc.; 2) to communicate human feedback on intermediate planning results to LLMs. This approach takes human feedback on board and renders the entire planning process transparent (akin to a `white box’) to humans. Moreover, it facilitates code-free path planning, thereby fostering the accessibility and inclusiveness of artificial intelligence techniques to communities less proficient in coding. Comparative analysis against A* and RL demonstrates that LLM A* exhibits greater efficiency in terms of search space and achieves paths comparable to A* while outperforming RL. The interactive nature of LLM A* also makes it a promising tool for deployment in collaborative human-robot tasks. Codes and Supplemental Materials can be found at GitHub: https://github.com/speedhawk/LLM-A-.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google