본 논문은 다중 로봇 시스템에서의 복잡한 작업을 위한 다중 에이전트 강화 학습(MARL)의 낮은 샘플 효율성 및 수동 보상 조정의 어려움을 해결하기 위해 대규모 언어 모델(LLM)을 통합한 새로운 접근 방식인 LLM-Aided MARL (LAMARL)을 제시합니다. LAMARL은 LLM을 활용하여 사전 정책 및 보상 함수를 자동으로 생성하는 모듈과 생성된 함수를 사용하여 로봇 정책 훈련을 효과적으로 안내하는 MARL 모듈로 구성됩니다. 모의실험과 실제 로봇 실험을 통해 형태 조립 벤치마크에서 LAMARL의 장점을 보여주며, 추가 실험을 통해 사전 정책이 샘플 효율성을 평균 185.9% 향상시키고 작업 완료율을 높이며, Chain-of-Thought(CoT) 및 기본 API 기반의 구조화된 프롬프트가 LLM 출력 성공률을 28.5%-67.5% 향상시킨다는 것을 확인했습니다.
