使用大型语言模型解决多智能体路径规划问题尚未成功的原因
内容提要
该文综述大语言模型在规划与空间推理中的研究。GPT-4在少样本条件下展现规划潜力，但微调模型难以泛化；LLM擅长将自然语言目标翻译为计划语言，却在数字与物理推理上易失败且对提示敏感。多智能体框架、LLM+P结合经典规划器、LLM-Planner及PRER数学代理等可提升任务表现；在常识规划中LLM自主规划能力有限，但可作为启发式改进搜索。
延伸解读
LLM在规划中的角色定位：翻译优于自主规划
文章指出，LLM更擅长将自然语言目标翻译成结构化计划语言，而非独立完成规划。在涉及数字或物理推理时，LLM容易失败且对提示敏感。这意味着当前LLM更适合作为规划流程中的辅助组件，而非替代经典规划器。读者应关注LLM在目标解析与常识补全上的优势，同时警惕其在精确推理任务中的局限性。
混合架构是提升规划性能的关键路径
文章介绍了LLM+P、LLM-Planner及PRER等多种混合框架，它们将LLM与经典规划器、数学代理或物理接口结合，在任务表现上优于纯LLM方案。例如LLM+P能提供多数问题的最优解，而纯LLM甚至难以给出可行计划。这表明当前多智能体路径规划的成功更依赖系统级整合，而非单一模型能力。
自主规划能力有限，但可作为启发式增强搜索
在常识规划任务中，LLM自主规划表现非常有限，但在启发式模式下，其生成的计划可以改善其他智能规划器的搜索过程并提供反馈。这一发现提示读者：不应期待LLM独立解决复杂规划问题，而应将其视为启发式信号源，用于引导或验证经典搜索算法，从而在保持可靠性的同时利用LLM的常识知识。
Q&A
为什么说大语言模型在解决多智能体路径规划问题上尚未成功？
文章指出，大语言模型在空间推理和规划方面虽有潜力，但在多智能体路径规划中面临挑战：微调后的模型在小环境或有障碍物时难以泛化；模型擅长将自然语言目标翻译为计划语言，却不擅长规划本身；在涉及数字或物理推理的任务中容易失败，且对提示信息敏感。此外，在常识规划任务中，LLM自主规划能力有限，无法为大多数问题提供可行计划。
大语言模型在规划任务中更擅长翻译还是规划？
根据文章，大语言模型更适合进行翻译而不是规划。它们能够利用常识知识和推理填补自然语言目标中缺失的细节，将自然语言目标翻译成结构化的计划语言，但在规划本身的表现上有限。
LLM+P框架如何提升大语言模型的规划能力？
LLM+P框架将经典计划器的优点与大语言模型结合，通过自然语言描述解决规划问题。实验发现，LLM+P可以为大多数问题提供最优解，而单独使用LLM则无法为大多数问题提供甚至可行的计划。
LLM-Planner方法在视觉感知环境中的表现如何？
LLM-Planner方法使用大语言模型作为规划师，完成视觉感知环境中的复杂任务，并进行少样本规划。通过物理接口增强LLM，实验结果表明该方法在ALFRED数据集上能够取得与使用全数据训练的基线模型相当的性能。
大语言模型在常识规划任务中的自主规划能力如何？
文章指出，在常识规划任务中，LLM的自主规划表现非常有限，无法为大多数问题提供可行计划。但在启发式模式下，LLM生成的计划可以改善其他智能计划器的搜索过程，并提供反馈以进一步验证计划质量。
PRER框架如何增强大语言模型的数学推理能力？
PRER（Planner-Reasoner-Executor-Reflector）框架通过代理人的方式，对数学推理过程进行细致的分解和建模，扩展大语言模型的能力。它通过形式化的数学解决方案描述和基于代理人的零尝试框架，实现了适应LLM和人类的数学代理人，实验表明PRER和MathAgents的有效性。
