Collision- and Reachability-Aware Multi-Robot Control with Grounded LLM Planners
Created by
Haebom
저자
Jiabao Ji, Yongchao Chen, Yang Zhang, Ramana Rao Kompella, Chuchu Fan, Gaowen Liu, Shiyu Chang
개요
본 논문은 대규모 언어 모델(LLM)을 로봇 제어에 적용할 때 발생하는 물리적 제약 위반 문제를 해결하기 위해 강화 학습과 검증 가능한 보상(RLVR)을 통합하는 새로운 프레임워크를 제안합니다. RLVR은 물리적 제약을 준수하는 유효한 행동 계획에만 보상을 제공하여 LLM이 제약을 인식하고 계획을 생성하도록 유도합니다. 소규모 LLM인 Qwen2.5-3B-Instruct와 Qwen3-4B에 이 방법을 적용하여 BoxNet 및 새롭게 개발된 BoxNet3D 환경에서 실험을 진행한 결과, 제약 인식 소규모 LLM이 제약을 고려하지 않은 대규모 모델보다 성능이 뛰어남을 보였습니다. 이는 복잡하고 물리적 제약이 있는 환경에서 확장 가능하고 효율적인 다중 로봇 제어를 위해 소규모 LLM에도 물리적 제약을 적용하는 것이 효과적임을 보여줍니다.
시사점, 한계점
•
시사점:
◦
소규모 LLM에 물리적 제약을 통합하여 대규모 LLM보다 효율적이고 확장 가능한 다중 로봇 제어가 가능함을 보여줌.
◦
RLVR 프레임워크를 통해 LLM의 계획 생성 과정에서 물리적 제약을 고려하도록 유도하는 효과적인 방법 제시.
◦
제약 인식 소규모 LLM이 제약을 고려하지 않은 대규모 모델보다 우수한 성능을 보임.
•
한계점:
◦
실험은 소규모 LLM과 상대적으로 단순한 환경(BoxNet, BoxNet3D)을 사용하여 진행되었으므로, 더욱 복잡하고 다양한 환경에서의 일반화 성능 검증이 필요.
◦
제안된 방법의 확장성 및 다양한 로봇 시스템에 대한 적용 가능성에 대한 추가 연구가 필요.
