LLM-Enhanced Path Planning: Safe and Efficient Autonomous Navigation with Instructional Inputs

要約

人間とロボットのインタラクションを向上させ、ダイナミックな環境での複雑な操作を可能にするためには、自然言語の指示に導かれた自律的なナビゲーションが不可欠である。大規模言語モデル(LLM)は本来計画用に設計されたものではないが、ガイダンスを提供し、安全性を確保するための制約を通知することで、計画効率を大幅に向上させることができる。本稿では、LLMと2D占有グリッドマップおよび自然言語コマンドを統合し、リソースが限られた環境における空間推論とタスク実行を改善する計画フレームワークを紹介する。高レベルのコマンドとリアルタイムの環境データを分解することにより、システムは、障害物回避、目標優先順位付け、適応行動を含む、ピックアンドプレースタスクのための構造化されたナビゲーション計画を生成する。このフレームワークは、環境の変化に対応するために動的に経路を再計算し、シームレスな人間とロボットの相互作用のために暗黙の社会規範に合わせる。この結果は、産業環境や動的環境におけるナビゲーションの効率性と安全性を高めるために、コンテキストを考慮したシステムを設計するLLMの可能性を示している。

要約(オリジナル)

Autonomous navigation guided by natural language instructions is essential for improving human-robot interaction and enabling complex operations in dynamic environments. While large language models (LLMs) are not inherently designed for planning, they can significantly enhance planning efficiency by providing guidance and informing constraints to ensure safety. This paper introduces a planning framework that integrates LLMs with 2D occupancy grid maps and natural language commands to improve spatial reasoning and task execution in resource-limited settings. By decomposing high-level commands and real-time environmental data, the system generates structured navigation plans for pick-and-place tasks, including obstacle avoidance, goal prioritization, and adaptive behaviors. The framework dynamically recalculates paths to address environmental changes and aligns with implicit social norms for seamless human-robot interaction. Our results demonstrates the potential of LLMs to design context-aware system to enhance navigation efficiency and safety in industrial and dynamic environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL