利用大型语言模型生成的机器人计划树的整合以提高可靠性
内容提要
该文综述大语言模型在机器人任务规划中的应用：用PDDL构建世界模型并由LLM纠错；LLM检索食谱生成烹饪任务树；通过交互收集信息推断状态；评估显示LLM擅长将自然语言目标翻译为结构化计划而非规划本身，数值与物理推理易出错；GPT-4可作通用规划器合成程序，自动调试很重要；多模态GPT-4V提升具身规划；Tree-Planner分解查询兼顾性能与效率；可结合人类专业知识分解任务；LLM自主规划能力有限，但其启发式模式可辅助其他规划器。
延伸解读
LLM在机器人规划中的角色定位
文章指出，LLM更擅长将自然语言目标翻译为结构化计划语言，而非直接进行规划。在涉及数字或物理推理的任务中，LLM容易出错，且对提示信息敏感。因此，实际应用中应将LLM作为翻译或辅助工具，而非完全依赖其自主规划能力。
提升可靠性的技术路径
为克服LLM输出的不确定性，研究采用了多种方法：用PDDL构建显式世界模型并利用LLM纠错；通过任务树检索组合多个LLM输出；以及引入自动调试机制。这些方法旨在提高规划准确性和执行效率，但自动调试的重要性在GPT-4合成程序的研究中尤为突出。
人机协作与混合规划模式
文章强调，LLM在自主规划方面表现有限，但其启发式模式可辅助其他规划器，改善搜索过程并提供反馈。结合人类专业知识分解任务，或采用Tree-Planner等分解查询的方法，能在保持效率的同时提升性能。多模态GPT-4V也显示出增强具身任务规划的潜力。
Q&A
大型语言模型在机器人任务规划中主要擅长什么，不擅长什么？
LLM更适合将自然语言目标翻译成结构化计划语言，而非直接进行规划。它们能利用常识填补目标细节，但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。
如何利用PDDL和LLM结合来提高机器人规划可靠性？
用PDDL语言构建显式世界模型，并将预训练LLM作为PDDL和校验器的纠正反馈接口，通过验证PDDL模型的正确性来制定计划，从而解决复杂任务并提高效率与准确性。
在机器人烹饪任务规划中，如何用LLM生成可靠的任务树？
利用LLM检索食谱说明，并用微调的GPT-3将其转化为任务树，捕捉子任务间的顺序和并行依赖；再通过任务树检索将多个LLM输出组合成图，以减轻LLM输出的不确定性和不可靠性，提高规划准确性和执行效率。
GPT-4作为通用规划器的表现如何，自动调试重要吗？
GPT-4是一个出乎意料的强大通用规划器，能根据PDDL领域和训练任务合成Python程序来生成其他任务的规划。自动调试非常重要，而CoT摘要的影响不均。
Tree-Planner是如何兼顾规划性能与效率的？
Tree-Planner通过将LLM查询分解为单个计划采样调用和多个实时环境决策调用，实现了先进的性能并保持高效率。
LLM在自主规划和启发式规划两种模式下的表现有何差异？
LLM在自主规划方面表现非常有限，但在启发式模式下，LLM生成的计划可以改善其他智能规划器的搜索过程，并提供反馈以进一步验证计划质量。
