利用大型语言模型的共形时序逻辑规划

《ACM Transactions on Cyber-Physical Systems》：Conformal Temporal Logic Planning using Large Language Models

该研究提出HERACLEs分层神经符号规划器解决移动机器人时间逻辑任务规划问题，将自然语言子任务转化为LTL-NL框架，结合符号规划确定任务顺序、大语言模型生成动作序列及符合性预测管理不确定性，实验验证其高效性和用户友好性。

　　

摘要

本文探讨了移动机器人的时序逻辑任务规划问题。我们研究了需要按照特定的时间和逻辑顺序完成多个高级子任务的场景，这些子任务用自然语言（NL）表达。为了正式定义这些任务，我们将这些子任务视为线性时序逻辑（LTL）公式中的原子谓词，并将这种任务规范框架称为LTL-NL。我们的目标是设计出能够完成LTL-NL任务的机器人动作序列。由于原子谓词的自然语言特性，现有的LTL规划器无法直接解决这一动作规划问题。因此，我们提出了HERACLEs，这是一种分层神经符号规划器，它结合了以下三种技术：(i) 用于生成高级任务规划的现有符号规划器，这些规划器决定了子任务的执行顺序；(ii) 预训练的大型语言模型（LLMs），用于为每个子任务设计相应的机器人动作序列；(iii) 一致性预测机制，作为(i)和(ii)之间的正式接口，并处理由于LLM不完美而产生的不确定性。我们从理论和实证两个方面证明了HERACLEs能够实现用户定义的任务成功率。通过与其他基于LLM的规划器进行对比实验，以及在移动操控任务上的硬件实验，我们展示了HERACLEs的高效率。最后，我们通过实例表明，与传统符号方法相比，我们的方法更具用户友好性。