DELTA: Decomposed Efficient Long-Term Robot Task Planning using Large Language Models

最近大型语言模型（LLM）的进展在各个研究领域引发了一场革命。特别是将LLM中的常识知识整合到机器人任务和动作规划中已被证明是一个改变游戏规则的举措，提高了解释性和下游任务效率的表现到前所未有的高度。然而，管理这些大型模型所封装的广泛知识面临挑战，通常导致基于LLM的规划系统生成不可行的计划，因为存在幻觉或缺失领域信息。为了克服这些挑战，实现更高的规划可行性和计算效率，我们提出了一种新的LLM驱动的任务规划方法，称为DELTA。为了从环境拓扑中获得更好的可操作知识，DELTA利用场景图作为LLM内部环境表示，实现快速生成精确的规划问题描述。为了获得更高的规划性能，我们使用LLM将长期任务目标分解为自回归的子目标序列，供自动化任务规划器解决。我们的贡献实现了更高效、完全自动化的任务规划流程，与现有技术相比，实现了更高的规划成功率和显著缩短的规划时间。

论文旨在提出一种新的基于大型语言模型（LLMs）的任务规划方法，名为DELTA，以提高任务规划的可行性和计算效率。

DELTA利用场景图作为LLMs中环境表示的方式，将长期任务目标分解为子目标，以实现更高的规划性能和自动化任务规划流水线。

论文通过实验表明，DELTA相比现有的规划方法具有更高的规划成功率和更短的规划时间。此外，论文还提出了一种新的环境表示方式，并探讨了如何将LLMs中的常识知识整合到任务规划中。

近年来，基于LLMs的任务规划方法已经引起了广泛关注。与此同时，也有一些相关研究，如基于深度强化学习的任务规划和基于启发式搜索的任务规划等。