TwoStep: Multi-agent Task Planning using Classical Planners and Large Language Models

传统的规划形式，例如规划领域定义语言（PDDL），可以提供一系列动作序列，如果可能的话，可以实现目标状态，只要有一个初始状态。然而，PDDL中定义的推理问题并不涵盖行动的时间方面，例如，如果每个后置条件不干扰另一个的前置条件，领域中的两个代理可以同时执行操作。人类专家可以将目标分解为大部分独立的组成部分，并将每个代理分配到其中一个子目标，以利用同时操作以实现更快的计划步骤执行，每个步骤只使用单个代理规划。相比之下，用于直接推断计划步骤的大型语言模型（LLM）不能保证执行成功，但可以利用常识推理来组装动作序列。我们通过近似人类对于两个代理规划目标分解的直觉，结合了经典规划和LLM的优势。我们证明了基于LLM的目标分解比直接解决多代理PDDL问题可以更快地进行规划，同时比单个代理计划少执行步骤，并保持执行成功。此外，我们发现基于LLM的子目标近似可以实现类似于人类专家指定的多代理执行步骤。有关网站和资源，请访问https://glamor-usc.github.io/twostep。

论文旨在将经典规划和大型语言模型相结合，以实现快速且成功的多智能体规划。具体而言，论文试图通过LLM的帮助，将目标分解为相互独立的子目标，并将每个智能体分配到一个子目标中，以实现同时执行行动并快速执行计划步骤的优势。

论文的关键思路是利用大型语言模型对目标进行分解，并将每个智能体分配到一个子目标中，以实现多智能体规划的快速执行。这种方法通过近似人类直觉的目标分解，同时保持执行成功率和少量计划步骤的优势。

论文的实验结果表明，LLM-based目标分解比直接解决多智能体PDDL问题的方法具有更快的规划时间，并且比单智能体计划实现更少的计划执行步骤。此外，LLM-based子目标的近似可以实现与人类专家指定的多智能体执行步骤相似的结果。论文提供了相关的网站和资源，以便其他研究者可以进一步研究该领域。

在这个领域中，最近的相关研究包括：1）使用LLM对规划问题进行建模的研究；2）利用深度学习方法进行多智能体规划的研究；3）在PDDL中引入时间因素以解决多智能体规划问题的研究。