Adaptive Interactive Navigation of Quadruped Robots using Large Language Models
Created by
Haebom
저자
Kangjie Zhou, Yao Mu, Haoyang Song, Yi Zeng, Pengying Wu, Han Gao, Chang Liu
개요
본 논문은 복잡한 환경에서의 로봇 내비게이션 문제를 해결하기 위해, 목표 지점까지의 경로가 없는 환경에서도 적응적으로 상호작용하며 경로를 생성하는 새로운 방법을 제시합니다. 대규모 언어 모델(LLM)을 기반으로 한 작업 계획을 위한 프리미티브 트리 구조를 사용하여 상호작용 대상 및 순서를 효율적으로 추론하고, 강화 학습으로 사전 훈련된 다양한 로봇 동작 기술 라이브러리를 활용하여 안정적인 하위 작업 실행을 보장합니다. 또한, LLM 기반의 재계획 트리거(advisor)와 자율적 계획 조정 모듈(arborist)을 포함하는 적응적 재계획 방법을 도입하여 알려지지 않은 환경에서도 신속하게 계획을 수정할 수 있도록 합니다. 모의실험과 실험을 통해 다양한 시나리오에서 방법의 효율성과 적응성을 검증하였습니다.
시사점, 한계점
•
시사점:
◦
복잡하고 경로가 제한된 환경에서의 로봇 내비게이션 문제에 대한 새로운 해결책 제시
◦
LLM과 강화학습을 결합하여 로봇의 적응력과 계획 능력 향상
◦
적응적 재계획 메커니즘을 통해 예측 불가능한 상황에 대한 대처 능력 향상
◦
다양한 로봇 동작 기술을 통합하여 복잡한 작업 수행 가능성 증대
•
한계점:
◦
LLM 및 강화학습에 대한 의존도가 높아, 모델의 성능에 따라 로봇의 성능이 크게 영향을 받을 수 있음.
◦
실제 환경에서의 실험 결과가 제한적이며, 다양한 환경 및 상황에 대한 추가적인 검증 필요.
◦
프리미티브 트리 구조의 복잡성 및 계산 비용에 대한 고려 필요.
◦
LLM 기반 advisor 및 arborist 모듈의 신뢰성 및 안전성 확보를 위한 추가 연구 필요.
