본 논문은 대규모 언어 모델(LLM)의 로봇 작업 및 동작 계획(TAMP) 능력 향상을 제안합니다. 기존의 LLM 기반 TAMP 접근 방식은 텍스트 또는 코드 기반 추론 체인을 통해 하위 목표와 행동 계획을 생성하지만, LLM의 심볼릭 컴퓨팅 및 코드 생성 능력을 완전히 활용하지 못합니다. 본 논문에서는 LLM이 최적화 및 제약 조건 검증을 위한 심볼릭 플래너로서 코드를 생성하도록 유도하는 "Code-as-Symbolic-Planner" 프레임워크를 제시합니다. 이를 통해 텍스트 추론과 심볼릭 컴퓨팅을 결합하여 다양한 TAMP 작업을 해결하며, 다중 라운드 안내 및 답변 진화 메커니즘을 통해 성능을 향상시킵니다. 실험 결과, 제안된 방법은 7가지 TAMP 작업과 3가지 LLM에 걸쳐 기존 최고 성능 방법 대비 평균 24.1%의 성공률 향상을 보였으며, 이산 및 연속 환경, 2D/3D 시뮬레이션 및 실제 환경, 단일 및 다중 로봇 작업에서 강력한 효과와 일반화 성능을 입증했습니다.
