부분 관찰 가능한 환경에서 다중 에이전트 로봇을 위한 장기 계획

언어 모델(LM)이 자연어를 이해하는 능력은 이들을 자율 로봇을 위한 작업 계획으로 인간의 지시를 분석하는 강력한 도구로 만듭니다. 도메인 특정 지식과 수작업으로 작성된 규칙에 의존하는 전통적인 계획 방법과는 달리, LM은 다양한 데이터에서 일반화하고 최소한의 조정으로 다양한 작업에 적응하여 압축된 지식 기반 역할을 합니다. 그러나 LM은 표준 형태에서 부분적으로 관찰 가능한 다중 에이전트 설정에서 특히 장기 작업에 어려움을 겪습니다. 우리는 부분 관찰 가능한 환경 내에서 장기 작업에서 최첨단 결과를 달성하는 계획을 위한 인지 아키텍처인 다중 에이전트 로보틱스를 위한 LM 기반 장기 계획기(LLaMAR)를 제안합니다. LLaMAR는 계획-행동-수정-검증 프레임워크를 사용하여 오라클이나 시뮬레이터에 의존하지 않고 행동 실행 피드백에서 자가 수정할 수 있도록 합니다. 또한, 우리는 AI2-THOR 환경 내에서 복잡성이 다양한 가정 작업을 포괄하는 종합 테스트 모음인 MAP-THOR를 제시합니다. 실험 결과, LLaMAR는 다른 최첨단 LM 기반 다중 에이전트 계획기와 비교하여 30% 높은 성공률을 달성했습니다.