KGLAMP: 知識グラフで導く異種マルチロボットの適応的計画・再計画
KGLAMP: Knowledge Graph-guided Language model for Adaptive Multi-robot Planning and Replanning
知識グラフをLLMと組み合わせ、異種マルチロボットチームのPDDL計画を生成・動的に更新する枠組みを提案し、ベンチマークで性能を25%以上改善した。
詳しい要約
1. どんなもの?
2. 先行研究と比べてどこがすごい?
3. 技術・手法の肝は?
4. どうやって有効だと検証した?
5. 議論はある?
6. 次に読むべき論文は?
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Chak Lam Shek, Faizan M. Tariq, Sangjae Bae, David Isele, Piyush Gupta
分類: cs.RO, cs.AI, cs.ET, cs.MA
原文アブストラクト
Heterogeneous multi-robot systems are increasingly used in long-horizon missions requiring coordinated planning across diverse capabilities. However, existing planning approaches struggle to construct accurate symbolic representations and maintain plan consistency in dynamic environments. Classical PDDL planners require manually crafted symbolic models, while LLM-based planners often ignore agent heterogeneity and environmental uncertainty. We introduce KGLAMP, a knowledge-graph-guided LLM planning framework for heterogeneous multi-robot teams. The framework maintains a structured knowledge graph encoding object relations, spatial reachability, and robot capabilities, which guides the LLM in generating accurate PDDL problem specifications. The knowledge graph serves as a persistent, dynamically updated memory that incorporates new observations and triggers replanning upon detecting inconsistencies, enabling symbolic plans to adapt to evolving world states. Experiments on the MAT-THOR benchmark show that KGLAMP improves performance by at least 25.3% over both LLM-only and PDDL-based variants.
関連論文
- 神経記号的役割分担によるマルチロボットタスク計画マルチロボット計画
- 晩秋:LLMエージェントが汎用マルチロボットプランナを単一倉庫向けに特化マルチロボット計画
- GPS非依存環境における協調測位のための不確実性制約付きマルチロボット計画マルチロボット計画
- 確率的スキルを考慮したマルチロボット・マルチゴール動作計画マルチロボット計画
- 拡散モデルによるマルチロボット動作計画のための軌道レベルモード誘導マルチロボット計画
- MR. POP: ほぼ確実に漸近最適なマルチロボット並列最適化プランナマルチロボット計画
