Onto-LLM-TAMP: Knowledge-oriented Task and Motion Planning using Large Language Models
Created by
Haebom
저자
Muhayy Ud Din, Jan Rosell, Waseem Akram, Isiah Zaplana, Maximo A Roa, Irfan Hussain
개요
본 논문은 동적인 환경에서 복잡한 조작 작업을 수행하기 위한 효율적인 작업 및 동작 계획(TAMP) 접근 방식을 제시합니다. 기존의 LLM 기반 TAMP 접근 방식은 정적이고 템플릿 기반의 프롬프팅으로 동적 환경과 복잡한 작업 컨텍스트에 대한 적응성이 제한적이라는 한계를 지닙니다. 이를 해결하기 위해, 지식 기반 추론을 활용하여 사용자 프롬프트를 작업 컨텍스트 추론 및 지식 기반 환경 상태 설명으로 개선 및 확장하는 Onto-LLM-TAMP 프레임워크를 제안합니다. 도메인 특정 지식을 프롬프트에 통합하여 의미적으로 정확하고 컨텍스트를 인식하는 작업 계획을 보장합니다. 시뮬레이션 및 실제 시나리오를 통해 동적 환경에 대한 적응성과 의미적으로 정확한 작업 계획 생성 측면에서 기존 방식보다 상당한 개선을 보여줍니다. 특히 계층적 객체 배치 시나리오에서 논리적 시간적 목표 순서를 유지하는 등 기호 계획 생성에서의 의미 오류를 해결하는 데 효과적임을 보여줍니다.
시사점, 한계점
•
시사점:
◦
LLM 기반 TAMP의 적응성 한계를 극복하는 새로운 Onto-LLM-TAMP 프레임워크 제시
◦
지식 기반 추론을 통한 프롬프트 개선으로 의미적으로 정확한 작업 계획 생성
◦
계층적 객체 배치 등 복잡한 작업 시나리오에서의 성능 향상
◦
시뮬레이션과 실제 환경 모두에서 성능 검증
•
한계점:
◦
제안된 프레임워크의 일반화 성능 및 다양한 작업 유형에 대한 적용 가능성에 대한 추가적인 연구 필요
