摘要
虽然我们知道大型语言模型（LLMs）能够解决某些规划问题，但我们尚不清楚其在机器人领域的能力范围。一个有前景的方向是将LLMs的语义知识与任务与运动规划（TAMP）的形式推理结合起来。然而，设计这样的系统受到如何在TAMP中集成LLMs的多种选择的复杂性影响。
我们开发了16种算法，利用LLMs替代TAMP中的关键组件。通过13750次评估的零样本实验以及三个领域的研究，我们发现基于LLM的规划器的成功率低于工程系统，且规划时间更长。提供几何细节导致任务规划错误数量增加，相较于纯PDDL描述，直接的LLM变体在大多数情况下优于推理变体。
代码和结果可在 GitHub 上获取。
博主点评： 本文通过对大型语言模型在任务与运动规划领域的应用进行深入研究，揭示了LLM在实际机器人规划中的局限性与潜力。尽管LLM在某些情况下表现不如专门设计的系统，但其集成的可能性仍值得进一步探索，尤其是在提升成功率和降低规划时间方面。