DEXTER-LLM: Dynamic and Explainable Coordination of Multi-Robot Systems in Unknown Environments v...

DEXTER-LLM论文总结与关键部分翻译

一、文章主要内容

本文针对未知环境下多机器人系统在线协同面临的动态任务触发、规划过程缺乏可解释性等挑战，提出了一种名为DEXTER-LLM的新型框架，用于未知环境中的动态任务规划。该框架整合四大核心模块，有效结合大语言模型（LLMs）的开放世界推理能力与基于模型分配方法的最优性，同时解决在线适应性和可解释性问题，并通过实验验证了其优异性能。

1. 核心模块功能

• 任务理解模块（Mission Comprehension）：将自然语言或线性时序逻辑（LTL）公式指定的任务，转化为可验证的LTL公式，再通过非确定性 Büchi 自动机（NBA）的可接受路径抽象出任务，构建有向无环图（DAG），明确任务间的时序约束（如优先级、互斥关系）。
• 在线子任务生成模块（Online Subtask Generator）：以任务集、全局场景描述、机器人描述和历史日志为输入，通过LLMs的多阶段推理（上下文分析、元策略调整、子任务引导、子任务序列生成），生成带有时序逻辑约束的可执行子任务，并编码为分层DAG，提升任务分解的准确性和可解释性。
• 最优子任务分配与调度模块（Optimal Subtask Assigner and Scheduler）：结合分层DAG、环境状态（已探索地图）和系统状态（机器人状态、任务与特征分布），采用分支定界搜索与整数规划相结合的方法，在满足约束的