Probabilistically Correct Language-based Multi-Robot Planning 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セマンティック オブジェクトでその機能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パフォーマンスの保証がありません。
この課題に対処するために、言語で指示されたエージェントのチームのための安全な計画のための S-ATLAS と呼ばれる、ユーザー定義の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 プランナーが分散方式で固有の不確実性について推論できるようになり、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。
理論的および経験的に、提案されたプランナーは、計画の実行が成功したと仮定して、ヘルプ要求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示します。
私たちは、関連する研究との比較実験を提供し、私たちの方法が計算効率が大幅に高く、ヘルプ率が低いことを示しています。
ベースラインに対するアルゴリズムの利点は、ロボット チームの規模が大きくな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 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 performance guarantees. To address this challenge, we introduce a new distributed LLM-based planner, called S-ATLAS for Safe plAnning for Teams of Language-instructed AgentS, that is capable of achieving user-defined 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 distributed 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, assuming successful plan execution, while minimizing the overall number of help requests. We provide comparative experiments against related works showing that our method is significantly more computational efficient and achieves lower help rates. The advantage of our algorithm over baselines becomes more pronounced with increasing robot team size.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google