2025年5月，美国在机器人技术ICRA 2025的顶级会议上，共同发布了LAMMA-P（可概括的多代理长途任务分配和与LM驱动的PDDL计划者）。Lamma-P已与PDDL计划中的PDDL计划深度整合到了问题上，该模型已与PDDL的pddl Planner深入求解，并解决了该问题的长期以来，并在问题上进行了跨越的问题。系统，大大提高了多机器人计划协作的智能水平。这项技术已通过新的基准数据集中的大量仿真实验证明。与SMART-LLM现有的最新方法相比，任务成功率为105％，实施效率为36％。这使得在复杂的长度计划中的突破发展，为多机器人异质螺旋体提供了一个新的解决方案，并具有复杂的任务。纸张标题：Lamma-P：可推广的多代理长胜诉讼任务分配与LM驱动的PDDL Planner纸链接进行计划：https：//arxiv.org/abs/2409.20560项目主页：https：//lamma-p.ithub.io代码代码开放来源：规划算法是为了支持一般的异性疾病多型多重点长期合作活动。 Lamma-p裤子在处理复杂的长期活动和异源多机器人系统时，对大型语言模型与PDDL的能力的语义理解不仅会在传统方法的退化中解决工作和资源提供的瓶颈，而且将显着提高成功的成功和成功的工作和效率的成功率。通过完全开源的代码和Mat-Tor基准数据集，Lamma-P将为计划多个机器人开放新的技术途径：一个新框架，将对工作的强烈了解和大型语言模型（大语言模型，LLM）与经典的推理能力结合在一起域计划（PDDL）计划者。使用LLM将人类说明转换为高级描述，然后PDDL计划者执行严格的子任务和计划搜索，以实现身份和分配的长期复杂任务。该方法结合了学习推理和启发式搜索的好处，这些搜索不仅了解复杂的自然语言说明，而且还提供了可靠，有效的计划解决方案。模块化设计和一般概括的强大能力：Lamma-P采用了模块化体系结构，无缝地结合了大型语言模型，PDDL计划系统和模拟模拟。通过模块之间的明确接口，系统可以根据不同的机器人技能分解任务并有效地分配子活性。该剧情支持任何数量的机器人参与，并且可以将相同的算法扩展到机器人协作的更多情况，而无需更改，反映了巨大的整体能力。和Lamma-P可以做出各种作业和不同的机器人组合，可以制定有效的协作计划，在任务和团队规模的类型上表现出强大的灵活性。新的基准数据集和性能RIPSA：基于AI2-TOR模拟环境（包括两个简单的组合任务和高复杂的任务），设计了一个新的多代理长期仿真基准Mat-Thror，并且使用家庭场景的复杂任务是基于AI2-TOR模拟环境的。该数据集为多机器人的长期任务计划提供了标准的审核平台。实验结果表明，Lamma-P在MATTHOR的基准上取得了当前的最佳成果：与最新的多机器人Smart-LLLM多机器人模型相比，Lamma-P的完成任务增加了105％，效率提高了36％，并且以相同的成功率，以相同的成功率，以相同的成功率，这是一个相同成功的成功率的主要领先方法。速度of实施Mayseppect表。一。作为多机器人系统的研究背景在搜救，仓储，家庭服务和其他情况下变得越来越流行，使许多异源机器人一起进行复杂的活动已成为机器人领域的重要话题。在现实生活的应用中，长期活动通常需要在一系列相关的子任务中腐烂，并合理地分配给具有不同功能的个人机器人。例如，家庭助理机器人将需要共同努力，以完成复杂的说明，例如“抚养房间”，其中包括许多步骤，例如移动物品，清洁和维修。但是，在许多机器人中，长期活动和劳动分裂的自动分解非常具有挑战性：如何使机器人团队能够了解高水平的人，通过实施的子任务清单来完善他们，并根据每个机器人的Capabil提供最好的提供ITIE是代理商合作所面临的目前困难。传统的多机器人工作计划方法通常依赖于预定的政策或启发式算法，在尺度和复杂性很小时，这些算法可以起作用，但是它们通常无法处理具有长期跨度和复杂依赖性的任务。这种方法缺乏对自然语言指令语义学的深入理解，并且很难及时调整计划来处理动态的环境和任务更改。此外，即使是基于大语言模型的ACTSN机器人的规划也在单个机器人的简单活动中提供了一些发展，仍然存在诸如成功率低，效率低下和难以通过多机器人合作产生长期活动的问题。为了解决上面的瓶颈，研究人员开始探索新兴的大语模型与经典智能计划技术的结合，试图欺骗IDER具有相同的好处，可以与多回合系统合作提高自主功能。 Lamma-P一直在这种背景下。二。研究方法是由大型语言模型和启发式搜索计划者驱动的多机器人计划框架。面对异源多机器人长期任务计划的问题，Lamma-P提出了一个创新的情节，其中包括大型语言模型和PDDL计划。首先，该系统在大语言模型的文本文本中使用强大的理解和能力来了解复杂的自然语言指示，从中采取高级任务目标和障碍，并制定最初的衰减计划。接下来，Lamma-P将任务衰减的结果转换为正式的PDDL表达式，并对经典计划者的子任务进行全球搜索和最佳计划，以找到满足障碍的最佳实施和供应方案的顺序。在此过程中，大语言模型负责为了了解语义和高水平的决策，以及PDDL计划者确保了严格的计划和计划结果。通过纳入对人类计算机教学和正式计划解决方案的理解，Lamma-P可以实现对长期活动的清晰理解和准确计算。整个框架采用了模块化设计，包括教学分析模块，任务计划模块，实施模拟模块等。任务计划模块基于PDDL，并加深搜索以获得特定的操作 - 执行任务的动作；实施模块在模拟环境中确认并反馈实现结果，以进行调整。在增加机器人数量或更改任务类型时，每个模块的退化提供了不需要更改图的基本逻辑的必要条件。它只需要调整对Grobot功能的相应描述并调整能力，这反映了高度的灵活性和灵活性。三。实验结果的性能超出了现有研究团队的全面，该研究团队已经建立了MAT-THOR数据集，以评估Lamma-P的有效性。 Mat-Thor-Thor-Thor Benchmark涵盖了各种情况，许多机器人在家庭场景中共同完成长期任务，包括简单的连续活动和复杂的活动，模仿了现实生活中的家庭环境中的不同挑战。该实验是根据不同数量的机器人（包括2个单位和更多）和任务的不同复杂性进行的，将Lamma-P与当前最新的多机器人工作计划方法Smart-LLM进行了比较。 Ang Eksperiment从三个方面系统地显示了Lamma-P的好处：比较性能，模块消融和视觉分析。 1。性能比较Lamma-P在许多关键指标中显着领导当前的最佳程序作为任务成功率，效率和机器人的使用。 SMART-LLM（GPT-4O）：主要搜索：长期活动的成功率急剧增加：在复合活动中，成功率提高到93％（领先23％）。在复杂的任务中，成功率提高到77％（领先57％）。在命令的不清楚任务中，成功率达到45％，现有过程失败了。影响机器人率和使用率得到了全面提高：在三种类型的任务中，实施效率（EFF）分别提高了26％至48％。在复杂的任务中，Ang暂停机器人（RU）增加了22％，这显着优化了多机器人合作的调度。实施操作（EXE）的可行性达到100％，确保完成任务后可以正确完成每个步骤。优势在复杂的任务中更为明显：随着任务的复杂性的增加，Lamma-P的好处变得更加明显，显示出极好的遗传和推理杀人。在命令不清楚的情况下成功完成任务的唯一方法是对语言和模糊胜任能力有深刻的自然理解。 2.模块消融分析通过消融不同模块的消融验证了每个LAMMA-P模块对整体性能的基本贡献：基本发现：前提标识符（P）模块显着提高了计划速率：删除P模块后，删除P模块后，复杂工作的成功率降低了14％，并且复杂工作减少了9％。 P模式有助于模型更好地分析需求并改善子任务的推理和计划率。 PDDL验证器（V）和问题生成器（G）提高了实现可靠性：删除V和G后，复杂的任务实施率下降到87％（相比之下，完整系统的100％）。 V模块确保正确有效地避免FAI的PDDL问题的格式诱饵是由不合规引起的。该模块的完整组合带来了最佳性能：包含所有模块的LAMMA-P达到最佳结果，化合物工作的成功率高达93％，并且复杂的任务成功率高达77％。效率（EFF）的总体提高是最相关的，表明完整的系统可以优化整个衰减过程，资源调度和计划实施。 3.视觉分析在视觉上显示了通过视觉显示AI2-TOR模拟环境对Lamma-P的优化工作的影响：关键发现：并行和一系列活动的合理调度：在复合工作中，许多机器人都在完成任务。通过明智的 - 未来安排，避免了由场景拥堵或冲突造成的实施延迟。在复杂依赖项下的准确协作：在复杂的任务中，机器人可以合理地等待必要的条件满足（SUCH作为等待打开抽屉的），反​​映了对任务的准确控制。有效地减少等待和重复的不当运动，并提高机器人使用的总体速度。四个。总结和观点Lamma-P的建议是与多机器人计划合作的新范式，为与PDDL Classic Planning的长期活动合作提供了一个新的想法，该活动形成了各自的缺点，并显着改善了自动自动级别的自动级别和复杂任务的实施。该结果标记为异源多机器人之间的自主通信的关键步骤。在将来的工作中，研究团队计划进一步探索端到端的优化（例如将语言模型与计划者连接起来，以提出多样化的闭环），以及引入多模式感知信息（例如愿景和声音）以丰富对教学的理解，并继续提高系统的能力和稳定性。我n代码发布，数据集和交互式演示的开源，更多的研究人员和开发人员可以根据LAMMA-P框架进行扩展和更改，以加速多机器人合作领域的技术发展。它可以预测，由Lamma-P代表的“大型驱动驱动驱动驱动”的新范式有望将来离开实验室，适用于家庭的智能劳动和服务，并促进更好和智能的方向的多机器人系统的发展。