Can Large Language Models Solve Robot Routing?

要約

ルーティングの問題は、検査、監視、取材などのタスクを含むモバイル ロボット工学では一般的です。
目的と制約に応じて、これらの問題は多くの場合、巡回セールスマン問題 (TSP) の変形に帰着します。その解決策は、従来、高レベルの目的を最適化公式に変換し、最新のソルバーを使用して解決策に到達することによって導出されてきました。
ここでは、自然言語で記述されたタスクからロボット ルートの生成までのパイプライン全体を置き換える大規模言語モデル (LLM) の可能性を探ります。
私たちは、単一ロボット設定と複数ロボット設定の両方で、8 つのバリアントにわたる 80 個の固有のロボット ルーティング問題を含むデータセットを構築することにより、ロボット ルーティングにおける LLM のパフォーマンスを体系的に調査します。
私たちは、単一試行、自己デバッグ、自己検証を伴う自己デバッグ、および数学的定式化、疑似コード、関連する研究論文などのさまざまなコンテキストを使用した 3 つのフレームワークを通じて LLM を評価します。
私たちの調査結果は、自己デバッグと自己検証の両方が、最適性ギャップを大幅に下げることなく成功率を向上させることを明らかにしました。
私たちは、コンテキストに依存した動作を観察しています。コンテキストとして数学的定式化を提供すると、最適性ギャップは減少しますが、成功率は大幅に低下します。また、コンテキストとして疑似コードや関連研究論文を提供しても、一貫して成功率が向上したり、最適性ギャップが減少したりするわけではありません。
私たちは主要な課題を特定し、ロボットのルーティング問題を解決する上で LLM のパフォーマンスを向上させるための将来の方向性を提案します。
私たちのソース コードはプロジェクト Web サイト https://sites.google.com/view/words-to-routes/ で入手できます。

要約(オリジナル)

Routing problems are common in mobile robotics, encompassing tasks such as inspection, surveillance, and coverage. Depending on the objective and constraints, these problems often reduce to variants of the Traveling Salesman Problem (TSP), with solutions traditionally derived by translating high-level objectives into an optimization formulation and using modern solvers to arrive at a solution. Here, we explore the potential of Large Language Models (LLMs) to replace the entire pipeline from tasks described in natural language to the generation of robot routes. We systematically investigate the performance of LLMs in robot routing by constructing a dataset with 80 unique robot routing problems across 8 variants in both single and multi-robot settings. We evaluate LLMs through three frameworks: single attempt, self-debugging, and self-debugging with self-verification and various contexts, including mathematical formulations, pseudo-code, and related research papers. Our findings reveal that both self-debugging and self-verification enhance success rates without significantly lowering the optimality gap. We observe context-sensitive behavior – providing mathematical formulations as context decreases the optimality gap but significantly decreases success rates and providing pseudo-code and related research papers as context does not consistently improve success rates or decrease the optimality gap. We identify key challenges and propose future directions to enhance LLM performance in solving robot routing problems. Our source code is available on the project website: https://sites.google.com/view/words-to-routes/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google