DELTA: Decomposed Efficient Long-Term Robot Task Planning using Large Language Models

要約

大規模言語モデル (LLM) の最近の進歩は、多くの研究分野に革命を引き起こしました。
ロボット工学では、LLM からの常識的な知識をタスクおよび動作計画に統合することで、前例のないレベルのコンテキスト認識が解放され、この分野が大幅に進歩しました。
膨大な知識のコレクションにもかかわらず、大規模な言語モデルでは、幻覚やドメイン情報の欠落により、実行不可能な計画が生成される可能性があります。
これらの課題に対処し、計画の実現可能性と計算効率を向上させるために、LLM に基づいた新しいタスク計画アプローチである DELTA を導入します。
LLM 内の環境表現としてシーン グラフを使用することにより、DELTA は正確な計画問題の記述を迅速に生成します。
計画のパフォーマンスを向上させるために、DELTA は LLM を使用して長期タスク目標をサブ目標の自己回帰シーケンスに分解し、自動タスク プランナーが複雑な問題を効率的に解決できるようにします。
私たちの広範な評価では、DELTA が効率的で完全に自動化されたタスク計画パイプラインを可能にし、最新技術と比較してより高い計画成功率と大幅に短い計画時間を達成できることを示しました。

要約(オリジナル)

Recent advancements in Large Language Models (LLMs) have sparked a revolution across many research fields. In robotics, the integration of common-sense knowledge from LLMs into task and motion planning has drastically advanced the field by unlocking unprecedented levels of context awareness. Despite their vast collection of knowledge, large language models may generate infeasible plans due to hallucinations or missing domain information. To address these challenges and improve plan feasibility and computational efficiency, we introduce DELTA, a novel LLM-informed task planning approach. By using scene graphs as environment representations within LLMs, DELTA achieves rapid generation of precise planning problem descriptions. To enhance planning performance, DELTA decomposes long-term task goals with LLMs into an autoregressive sequence of sub-goals, enabling automated task planners to efficiently solve complex problems. In our extensive evaluation, we show that DELTA enables an efficient and fully automatic task planning pipeline, achieving higher planning success rates and significantly shorter planning times compared to the state of the art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google