KGLAMP: Pianificazione Multi-Robot Guidata da Grafo di Conoscenza per LLM
Un nuovo framework chiamato KGLAMP è stato sviluppato da ricercatori per assistere i grandi modelli linguistici nella pianificazione e ri-pianificazione per team multi-robot eterogenei utilizzando un grafo di conoscenza. Questo grafo cattura le relazioni tra oggetti, l'accessibilità spaziale e le capacità dei robot, consentendo all'LLM di produrre specifiche precise del problema PDDL. Funge da memoria continuamente aggiornata che integra nuove osservazioni e avvia la ri-pianificazione quando emergono incongruenze. Questo metodo supera le limitazioni dei pianificatori PDDL tradizionali, che dipendono da modelli simbolici creati manualmente, nonché dei pianificatori basati su LLM che spesso trascurano la diversità degli agenti e le incertezze nell'ambiente. I risultati sono disponibili su arXiv (2602.04129v2) e si concentrano su missioni a lungo termine che richiedono una pianificazione coordinata tra varie capacità.
Fatti principali
- 1. KGLAMP è un framework di pianificazione LLM guidato da grafo di conoscenza per team multi-robot eterogenei.
- 2. Il grafo di conoscenza codifica le relazioni tra oggetti, la raggiungibilità spaziale e le capacità dei robot.
- 3. Il framework guida l'LLM nella generazione di specifiche accurate del problema PDDL.
- 4. Il grafo di conoscenza funge da memoria persistente e aggiornata dinamicamente.
- 5. Incorpora nuove osservazioni e attiva la ri-pianificazione al rilevamento di incongruenze.
- 6. I pianificatori PDDL classici richiedono modelli simbolici creati manualmente.
- 7. I pianificatori basati su LLM spesso ignorano l'eterogeneità degli agenti e l'incertezza ambientale.
- 8. L'articolo è pubblicato su arXiv con identificatore 2602.04129v2.
Entità
Istituzioni
- arXiv