EmboTeam: PDDLを介してLLM推論を反応型ビヘイビアツリーに接地する身体性マルチロボット協調

- 本論文は、heterogeneous robot teamsが高レベル指示から長期的タスクを実行するためのembodied multi-robot task planning framework「EmboTeam」を提案する。 - 三つの段階からなるcascaded architectureを採用し、LLMによる指示解析とPDDL問題生成、LLMのsemantic reasoningとclassical plannerのsearchを組み合わせた行動列生成、behavior treesへのコンパイルによるreactive controlを実現する。 - 動的なサイズのheterogeneous robot teamsをサポートし、shared blackboard mechanismによるcommunicationとstate synchronizationを行う。 - 評価用にMACE-THOR benchmark datasetを導入し、8つの異なるhousehold layoutsにわたる42の複雑タスクを含む。

- 先行研究のLaMMA-P baselineと比較して、タスク成功率を12%から55%に、goal condition recallを32%から72%に改善した。 - LLMの指示解析と予備計画の可能性を活かしつつ、長期的推論と動的なmulti-robot coordinationの限界を克服する点が優れている。 - 従来の手法と比べて、heterogeneous robot teamsの動的サイズ変更やshared blackboardによる同期を可能にした点が新しい。

- 三つの段階からなるcascaded architectureが肝である。 - 第一段階: LLMが指示を解析し、PDDL problem descriptionsを生成してコマンドを形式的なplanning問題に変換する。 - 第二段階: LLMのsemantic reasoningとclassical plannerのsearch capabilitiesを組み合わせ、最適化されたaction sequencesを生成する。 - 第三段階: 得られたplanをbehavior treesにコンパイルし、reactive controlを実現する。 - 動的なheterogeneous robot teamsをサポートするために、shared blackboard mechanismを導入し、communicationとstate synchronizationを図る。

- MACE-THOR benchmark datasetを導入し、8つの異なるhousehold layoutsにわたる42の複雑タスクで評価した。 - LaMMA-P baselineと比較して、タスク成功率が12%から55%に、goal condition recallが32%から72%に向上したことを実験で示した。

- 要旨からは、議論や限界についての具体的な言及は不明である。 - ただし、LLMの長期的推論と動的multi-robot coordinationの限界を指摘し、提案手法で改善したと主張している。

- 要旨で参照/比較されている研究: LaMMA-P baseline。 - 関連手法: PDDL, behavior trees, LLM-based planning, classical planner, shared blackboard mechanism。 - 同分野の定番: 特に明記されていないが、embodied AIやmulti-robot collaborationの研究が関連する。