LLM3 : Large Language Model-based Task and Motion Planning with Motion Failure Reasoning

本文是LLM系列文章，针对《LLM3: Large Language Model-based Task and Motion Planning
with Motion Failure Reasoning》的翻译。

摘要

传统的任务和运动规划（TAMP）方法依赖于手工制作的接口，将符号任务规划与连续运动生成连接起来。这些特定领域的劳动密集型模块在解决现实环境中出现的任务方面受到限制。在这里，我们介绍了LLM3，这是一种新的基于大型语言模型（LLM）的TAMP框架，具有独立于域的接口。具体来说，我们利用预训练的LLM强大的推理和规划能力来提出符号动作序列，并选择连续的动作参数进行运动规划。至关重要的是，LLM3通过提示结合了运动规划反馈，允许LLM通过对运动失败进行推理来迭代地完善其建议。因此，LLM3在任务规划和运动规划之间进行接口，减轻了处理它们之间特定领域消息的复杂设计过程。通过在装箱域中的一系列模拟，我们定量地证明了LLM3在解决TAMP问题方面的有效性和选择动作参数的效率。消融研究强调了运动失败推理对LLM3成功的重要贡献。此外，我们在物理机械手上进行了定性实验，证明了我们的方法在现实世界中的实际适用性。

1 引言

2 前言和问题设置

3 方法

4 仿真和实验

5 结论

在本文中，我们介绍了LLM3，这是一种由大型语言模型（LLM）提供支持的新的TAMP框架。与传统的TAMP框架不同，传统的TAPP框架通常需要付出巨大的努力来明确设计特定领域的符号任务规划器，并手动将其与运动规划器对接，LLM3利用LLM中编码的丰富知识和处理的强大推理能力来（i）在不需要事先规划域的情况下基于任务目标提出动作序列，（ii）自动生成机