LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning

路径规划是机器人和自主导航中的一个基本科学问题，需要从起点到终点派生出有效的路径，同时避开障碍物。传统算法如A*及其变种能够确保路径的有效性，但随着状态空间的增长，它们面临着显著的计算和内存效率问题。相反，大语言模型（LLMs）通过上下文理解在更广泛的环境分析方面表现出色，提供环境的全局洞察力。然而，它们在详细的空间和时间推理方面表现不佳，常常导致无效或低效的路径。在这项工作中，我们提出了LLM-A*，一种基于LLM的新的路径规划方法，它将A*的精确路径规划能力与LLM的全局推理能力协同结合。这种混合方法旨在提高路径规划的时间和空间复杂度效率，同时保持路径有效性的完整性，特别是在大规模场景中。通过整合两种方法的优势，LLM-A*解决了传统算法的计算和内存限制，而不会影响有效路径规划所需的有效性。

论文旨在提出一种新的路径规划方法，将传统的A*算法和大语言模型相结合，以解决路径规划在大规模场景下的计算和内存限制问题。

该论文提出了一种名为LLM-A*的新型路径规划方法，将A*算法的精确路径规划能力与大语言模型的全局推理能力相结合，以提高路径规划的时间和空间复杂度。

该论文的实验结果表明，LLM-A*在大规模场景下比传统算法更具有效性和效率。此外，论文还开源了代码和使用的数据集，为相关研究提供了参考。

在最近的相关研究中，还有一些类似的工作，如《Combining Global Planning and Local Reactive Navigation in a Hybrid Deliberative/Reactive Mobile Robot Architecture》和《A* Pathfinding for Multi-Agent Reinforcement Learning in Partially Observable Environments》。