Tree-Planner：基于大型语言模型的高效闭环任务规划

Oct, 2023

Tree-Planner：基于大型语言模型的高效闭环任务规划

Tree-Planner: Efficient Close-loop Task Planning with Large Language Models

Mengkang Hu, Yao Mu, Xinmiao Yu, Mingyu Ding, Shiguang Wu...

TL;DR通过分解 LLM 查询为单个计划采样调用和多个实时环境决策调用，Tree-Planner 实现了先进的性能并保持高效率。

Abstract

This paper studies close-loop task planning, which refers to the process of generating a sequence of skills (a plan) to accomplish a specific goal while adapting the plan based on real-time observations. Recently, prompting Large Language Models (LLMs) to generate actions iteratively h

close-loop task planning large language models tree-planner plan sampling action tree construction

发现论文，激发创造

Tool-Planner: 大型语言模型的动态解决方案树规划与工具聚类

通过 Tool-Planner 框架，基于 API 函数将工具分组成一个工具包，允许大型语言模型在不同工具包之间实现计划，解决了冗余错误校正和多工具之间正确计划的挑战，实验表明该方法在不同数据集上具有很高的通过率和胜率，并优化了 GPT-4 和 Claude 3 等模型中工具学习的计划方案，展示了我们方法的潜力。

Jun, 2024

利用大型语言模型生成的机器人计划树的整合以提高可靠性

通过使用大型语言模型 (LLMs) 生成并优化机器人任务计划，该研究提出了一种创新方法，解决了 LLMs 输出中潜在的不确定性和错误步骤的问题，进而改善了计划的准确性和执行效率。

Jan, 2024

AdaPlanner：使用语言模型的自适应反馈规划

本文提出了 AdaPlanner，一种基于闭环反馈的语言模型智能体自适应地改进生成的计划，并通过新的技能发现机制，使其能够在更复杂的任务和环境中实现更好的连续决策性能，实验结果表明 AdaPlanner 在 ALFWorld 和 MiniWoB++ 环境中优于现有的基线算法。

May, 2023

从烹饪食谱到机器人任务树 - 通过利用带有知识网络的 LLM 提高规划准确性和任务效率

本研究介绍了一种新颖的任务树生成流程，用于机器人烹饪中的任务规划。通过利用大型语言模型 (LLM) 检索食谱说明，并利用经过微调的 GPT-3 将其转化为任务树，捕捉子任务之间的顺序和并行依赖关系，该流程可以减轻 LLM 输出的不确定性和不可靠特征，并通过任务树检索将多个 LLM 任务树输出组合成图形，以提高规划准确性和执行效率。评估结果表明，与先前的任务规划方法相比，其表现优异，具有更高的准确性和效率。

Sep, 2023

TwoStep：基于经典规划器和大型语言模型的多智能体任务规划

通过结合经典规划和大型语言模型的优势，我们实现了基于 LLMs 的目标分解，提高了计划的速度和执行成功，并且比单一代理计划少了更少的执行步骤，同时实现了与人类专家指定的多代理执行步骤类似的结果。

Mar, 2024

DELTA：基于大型语言模型的分解型高效长期机器人任务规划

提出了一种名为 DELTA 的新型 LLM 驱动的任务规划方法，通过将环境拓扑图作为 LLM 中的环境表示，以快速生成精确的规划问题描述；同时利用 LLM 将长期任务目标分解为自回归的子目标序列，以供自动化任务规划器解决；该方法提供了更高效且完全自动化的任务规划流程，实现了比现有技术更高的规划成功率和显著缩短的规划时间。

Apr, 2024

使用大型语言模型生成机器人任务计划

通过使用编程式的提示结构，可以促使大型语言模型在不同的环境、机器人能力和任务中进行计划生成，从而大大减少了任务规划中需要定义的领域知识。

Sep, 2022

基于大型语言模型的机器人任务规划与有向图结构表示

该研究提出了一种将人类专业知识和 LLM 结合的任务规划方法，通过逐步分解任务并生成任务树来减少每个任务的计划量，并设计了一种策略来分离机器任务计划，从而使任务计划过程更加灵活。

Jun, 2023

部分可观察机器人任务的大型语言模型交互规划

使用大型语言模型（LLMs）的互动规划技术，通过机器人收集环境中缺失的信息并推断底层问题的状态，从而指导机器人执行所需的动作。

Dec, 2023

语言代理的元任务规划

此研究论文介绍了 Meta-Task Planning (MTP)，一种用于协作式基于大型语言模型的多智能体系统的零样本方法，通过将复杂任务分解成次级任务或元任务来简化任务规划，进而将每个元任务映射为可执行动作。该方法在 TravelPlanner 和 API-Bank 两个基准测试中进行了评估，取得了出色的结果，显示了将 LLM 与多智能体系统整合的巨大潜力。

May, 2024