본 논문은 양팔 로봇 조작의 복잡성, 특히 장기간에 걸친 작업 계획의 어려움을 해결하기 위해 LLM+MAP 프레임워크를 제시합니다. LLM+MAP은 대규모 언어 모델(LLM)의 추론 능력과 다중 에이전트 계획을 통합하여 효율적인 양팔 작업 계획을 자동화합니다. 기존의 LLM 기반 방법들이 장기간 추론 오류 및 환각에 취약한 점을 보완하고, GPT-4o를 백엔드로 사용하여 다양한 복잡성의 장기간 조작 작업에 대한 시뮬레이션 실험을 수행합니다. GPT-4o, GPT-3, o1, R1 등 다른 LLM과의 성능 비교를 통해 계획 시간, 성공률, 그룹 부채, 계획 단계 감소율 등의 지표를 분석하여 LLM+MAP의 우수성을 입증합니다. 소스 코드는 공개되어 있습니다.
