本文是LLM系列文章,针对《DELTA: Decomposed Efficient Long-Term Robot Task Planning
using Large Language Models》的翻译。
摘要
大型语言模型(LLMs)的最新进展引发了各个研究领域的革命。特别是,将LLM的常识知识整合到机器人任务和运动规划中已被证明是一种改变游戏规则的方法,将可解释性和下游任务效率方面的性能提升到了前所未有的高度。然而,管理这些大型模型中包含的大量知识带来了挑战,由于幻觉或缺少领域信息,通常会导致基于LLM的规划系统生成不可行的计划。为了克服这些挑战并获得更大的规划可行性和计算效率,我们提出了一种新的LLM驱动的任务规划方法,称为DELTA。为了更好地将环境拓扑转化为可操作的知识,DELTA利用场景图作为LLM中的环境表示的力量,能够快速生成精确的规划问题描述。为了获得更高的规划性能,我们使用LLM将长期任务目标分解为子目标的自回归序列,供自动任务规划器求解。我们的贡献实现了更高效、全自动的任务规划流程,与最新技术相比,实现了更高的规划成功率和更短的规划时间。