CLMASP: Acoplamento de Modelos de Linguagem de Grande Escala com Programação de Conjunto de Respostas para Planejamento de Tarefas Robóticas

Modelos de Linguagem de Grande Escala (LLMs) possuem amplo conhecimento fundamental e habilidades de raciocínio moderadas, tornando-os adequados para planejamento de tarefas gerais em cenários de mundo aberto. No entanto, é desafiador adaptar um plano gerado por LLM para ser executável pelo robô especificado com certas restrições. Este artigo introduz o CLMASP, uma abordagem que acopla LLMs com Programação de Conjunto de Respostas (ASP) para superar as limitações, onde ASP é um formalismo de programação lógica não monótona conhecido por sua capacidade de representar e raciocinar sobre o conhecimento de ação de um robô. CLMASP inicia com um LLM gerando um plano básico, que é posteriormente adaptado ao cenário específico usando um banco de dados vetorial. Este plano é então refinado por um programa ASP com o conhecimento de ação do robô, que integra detalhes de implementação ao esqueleto, fundamentando as saídas abstratas do LLM em contextos práticos de robô. Nossos experimentos realizados na plataforma VirtualHome demonstram a eficácia do CLMASP. Comparado à taxa de execução base de menos de 2% com abordagens LLM, o CLMASP melhora significativamente isso para mais de 90%.