Nl2Hltl2Plan: Scaling Up Natural Language Understanding for Multi-Robots Through Hierarchical Temporal Logic Task Representation

要約

専門家以外でも長期にわたるマルチロボットの共同作業を指定できるようにするために、自然言語コマンドを正式な仕様に変換する言語モデルの使用が増えています。
ただし、翻訳は複数の方法で行われる可能性があるため、そのような翻訳では精度が欠如したり、非効率的なマルチロボット計画が行われる可能性があります。
私たちの重要な洞察は、簡潔な階層仕様により計画を簡素化できると同時に、人間の指示から簡単に導き出せるということです。
私たちは、自然言語コマンドを階層的な線形時相論理 (LTL) に変換し、対応する計画問題を解決するフレームワークである ~\acronym{} を提案します。
翻訳には、Large Language Model (LLM) を活用する 2 つのステップが含まれます。
まず、LLM は命令を階層型タスク ツリーに変換し、論理的および時間的な関係をキャプチャします。
次に、微調整された LLM がサブタスクをフラットな LTL 式に変換します。これは階層仕様に集約され、最下位レベルは順序付けられたロボットの動作に対応します。
これらの仕様は、既製のプランナーで使用されます。
私たちの ~\頭字語{} は、マルチロボット タスク計画の階層的推論における LLM の可能性を示しています。
シミュレーションと人間の参加者による実際の実験での評価では、~\acronym{} が既存の方法よりも優れており、より複雑な命令を処理しながら、タスクの割り当てと計画においてより高い成功率とより低いコストを達成できることが示されています。
詳細については、 https://nl2hltl2plan.github.io をご覧ください。

要約(オリジナル)

To enable non-experts to specify long-horizon, multi-robot collaborative tasks, language models are increasingly used to translate natural language commands into formal specifications. However, because translation can occur in multiple ways, such translations may lack accuracy or lead to inefficient multi-robot planning. Our key insight is that concise hierarchical specifications can simplify planning while remaining straightforward to derive from human instructions. We propose~\acronym{}, a framework that translates natural language commands into hierarchical Linear Temporal Logic (LTL) and solves the corresponding planning problem. The translation involves two steps leveraging Large Language Models (LLMs). First, an LLM transforms instructions into a Hierarchical Task Tree, capturing logical and temporal relations. Next, a fine-tuned LLM converts sub-tasks into flat LTL formulas, which are aggregated into hierarchical specifications, with the lowest level corresponding to ordered robot actions. These specifications are then used with off-the-shelf planners. Our~\acronym{} demonstrates the potential of LLMs in hierarchical reasoning for multi-robot task planning. Evaluations in simulation and real-world experiments with human participants show that~\acronym{} outperforms existing methods, handling more complex instructions while achieving higher success rates and lower costs in task allocation and planning. Additional details are available at https://nl2hltl2plan.github.io .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google