Multi-Agent Systems for Robotic Autonomy with LLMs

文章主要内容

本文提出了一种基于大型语言模型（LLMs）的多智能体系统（MAS）框架，用于机器人自主任务分析、机械设计和路径生成。框架包含三个核心智能体：任务分析器（Task Analyst）、机器人设计器（Robot Designer）和强化学习设计器（RL Designer），分别负责任务解析、机械结构设计和控制策略生成，并通过代码提取器和报告提取器输出可执行代码和技术报告。实验使用GPT和DeepSeek系列模型验证了框架的泛化能力，结果表明DeepSeek-R1在各项指标中表现最优，证明了该框架在提升机器人系统开发效率和可及性方面的潜力。

文章创新点

1. 模块化多智能体框架：
   设计了三核心智能体流水线，实现任务分析、机械设计到强化学习策略生成的全流程自动化，支持灵活扩展和工业级应用。
2. 多模态输出能力：
   生成可执行Python代码（如环境定义、训练脚本）和结构化技术报告，结合路径可视化结果，提升人机交互效率。
3. 泛化性与消融实验：
   通过跨任务（工业/医疗场景）和智能体消融实验，系统验证了框架对不同LLMs的兼容性及各组件的必要性，为后续研究提供基准。