Sep, 2024

LaMMA-P：通用的多智能体长时程任务分配与计划的LM驱动PDDL规划器

HTML
PDF
TL;DR本研究解决了长期任务中合作异构机器人团队的子任务识别和分配的挑战。提出的LaMMA-P框架结合了语言模型的推理能力和传统启发式搜索规划器，显著提高了任务成功率和效率，证明了其强大的通用性。实验结果表明，LaMMA-P在成功率上提高了105%，效率提升了36%。
发现论文，激发创造
  • LLM+P：利用最优规划提升大型语言模型的性能

    本文介绍了LLM + P框架，将经典计划器的优点结合到大语言模型中，可以通过自然语言描述解决计划问题，经过实验发现LLM + P可以提供大多数问题的最优解，而LLMs则无法为大多数问题提供甚至可行的计划。

    Apr, 2023

  • 学习在场景图上推理：将 GPT-2 微调为机器人语言模型，用于基于场景的任务规划的案例研究

    本文研究了如何通过GPT-2等大型语言模型将人类请求转化为机器人可执行的计划，并探讨了LLM的长期任务规划的适用性和通用性，结果表明LLM可有效地执行长期任务规划，展示了神经符号规划方法在机器人领域的应用前景。

    May, 2023

  • ISR-LLM：迭代自我改进的大型语言模型用于长时间序列任务规划

    通过引入ISR-LLM，该研究论文提出了一种新颖的框架，借助迭代自我完善过程来改进基于LLM的规划，以提高任务的可行性和正确性，并保持与自然语言指令的广泛适用性和普适性。

    Aug, 2023

  • RoboGPT：为日常指令任务做出智能长期决策的智能代理

    在这篇研究论文中，我们提出了一种名为RoboGPT的机器人代理，通过两个模块（基于LLMs的规划与重新规划，以及专为子目标设计的RoboSkill）来完成日常任务的具体决策。我们使用了一份新的机器人数据集和RoboGPT来增强基于LLMs的规划，并成功在诸多任务中超越了目前的最先进方法。

    Nov, 2023

  • 理解LLM智能体的规划：一项调查

    将大型语言模型作为自主代理的规划模块，通过提供现有作品的分类和全面分析，讨论了任务分解、计划选择和外部模块等方向在LLM-Agent规划中的进展和挑战。

    Feb, 2024

  • 基于置信度预测的语言指导多机器人系统的安全任务规划

    这篇论文研究了对语言指导的机器人团队的任务规划问题，通过使用大型语言模型（LLMs）和基于分散式的LLM规划器来提高任务成功率，并采用符合预测（CP）方法来量化分布式不确定性，使机器人能够在任务中根据自身的不确定性作出决策。

    Feb, 2024

  • 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

  • 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

  • 通过层次视角扩展多机器人自然语言理解

    本研究解决了长远规划中不确定性累积、计算复杂性和信息不完全等挑战。通过利用大语言模型和任务层次结构，将多句指令翻译为结构化语言，提出了一种新颖的规划方法。研究结果表明，该方法在多机器人任务分配和计划生成中取得了更高的成功率和更低的成本。

    Aug, 2024

  • LASP：大型语言模型辅助人工智能规划的最先进调查

    本研究探讨了大型语言模型在自动化规划中的应用挑战，尤其是计划执行失败的问题。通过审视现有的关键领域，如任务分解和推理，研究提供了对大型语言模型如何变革人工智能规划的独特见解，并展望了未来的发展方向。

    Sep, 2024