본 논문은 대규모 언어 모델(LLM)을 로봇 작업 및 동작 계획(TAMP)에 활용하는 새로운 방법인 Code-as-Symbolic-Planner를 제안합니다. 기존의 LLM 기반 TAMP 접근 방식은 텍스트 또는 코드 기반 추론 체인을 사용하지만, LLM의 심볼릭 컴퓨팅 및 코드 생성 능력을 완전히 활용하지 못합니다. 본 논문에서는 LLM이 최적화 및 제약 조건 검증을 위한 심볼릭 플래너로서 코드를 생성하도록 유도하여 TAMP 문제 해결 능력을 향상시킵니다. 다중 라운드 안내 및 답변 진화 프레임워크를 통해, 제안된 방법은 7가지 전형적인 TAMP 작업과 3가지 인기 있는 LLM에 걸쳐 기존 최고 성능 방법보다 평균 24.1% 향상된 성공률을 보입니다. 이는 이산 및 연속 환경, 2D/3D 시뮬레이션 및 실제 환경, 다양한 요구 사항을 가진 단일 및 다중 로봇 작업에 걸쳐 강력한 효과와 일반화 가능성을 보여줍니다.
