A Temporal Planning Framework for Multi-Agent Systems via LLM-Aided Knowledge Base Management
작성자
- Haebom
카테고리
비어 있음
저자
Enrico Saccon, Ahmet Tikna, Davide De Martini, Edoardo Lamon, Luigi Palopoli, Marco Roveri
개요
PLANTOR (PLanning with Natural language for Task-Oriented Robots)는 대규모 언어 모델(LLM)과 Prolog 기반 지식 관리 및 계획을 통합하여 다중 로봇 작업을 위한 새로운 프레임워크를 제시합니다. 두 단계의 로봇 중심 지식 베이스 생성 과정을 통해 재사용성과 구성적 추론을 보장하고, 혼합 정수 선형 계획법을 통해 시간적 의존성, 자원 제약, 병렬 작업 실행을 처리하는 3단계 계획 절차를 사용합니다. 최종 계획은 ROS2에서 직접 사용하기 위해 행동 트리로 변환됩니다. 블록 세계와 아치 건설 시나리오 내의 다중 로봇 조립 작업에서 프레임워크를 테스트했습니다. 결과는 LLM이 적은 수준의 사람의 피드백으로 정확한 지식 베이스를 생성할 수 있음을 보여주는 반면, Prolog는 형식적 정확성과 설명 가능성을 보장합니다. 이 접근 방식은 유연하고 확장 가능하며 사람이 이해할 수 있는 계획이 필요한 고급 로봇 작업을 위한 LLM 통합의 잠재력을 강조합니다.
시사점, 한계점
•
시사점:
◦
LLM을 활용하여 자연어로 로봇 작업 계획을 생성할 수 있음을 보여줌.
◦
Prolog 기반 지식 관리를 통해 계획의 형식적 정확성과 설명 가능성을 확보.
◦
혼합 정수 선형 계획법을 이용하여 다중 로봇의 시간적 의존성 및 자원 제약을 고려한 계획 생성 가능.
◦
ROS2와의 호환성을 통해 실제 로봇 시스템에 적용 가능성 제시.
◦
다양한 작업 환경(블록 세계, 아치 건설)에서의 성능 검증.
•
한계점:
◦
LLM의 성능은 사람의 피드백에 의존적일 수 있음.
◦
복잡한 작업 환경이나 예상치 못한 상황에 대한 로버스트니스에 대한 추가적인 검증 필요.
◦
Prolog 기반 시스템의 확장성 및 성능 저하 가능성.
◦
실제 세계 적용 시 발생할 수 있는 오류 및 예외 상황에 대한 처리 방안 미흡.
