Large Language Models to the Rescue: Deadlock Resolution in Multi-Robot Systems

多智能体机器人系统在障碍环境中容易发生死锁，即使在平稳的低级控制策略下，系统也可能被卡在离其所需位置很远的地方。如果没有外部干预，通常以高级命令的形式，就无法保证仅仅通过低级控制策略就能解决这种死锁。本文利用大型语言模型（LLMs）的通用性和低数据需求，探索了使用LLMs解决死锁的可能性。我们提出了一种分层控制框架，其中LLM通过指定领导者和领导者移动的方向来解决死锁。基于图神经网络（GNN）的低级分布式控制策略执行分配的计划。我们系统地研究了各种提示技术，以提高LLM在解决死锁方面的性能。特别是，在提示工程的一部分中，我们为LLMs提供了上下文示例。我们在多种多机器人环境中进行了大量实验，其中包括15个代理和40个障碍物。我们的结果表明，基于LLM的高级规划器在解决MRS中的死锁方面是有效的。

本文旨在解决多智能体机器人系统在障碍环境中出现死锁的问题，提出了使用大型语言模型（LLMs）进行死锁解决的可能性，并设计了一个分层控制框架。

使用大型语言模型（LLMs）为多智能体机器人系统提供高层次的计划，通过分配领导者和方向来解决死锁问题，然后使用基于图神经网络（GNN）的低层分布式控制策略执行分配的计划。

本文系统地研究了各种提示技术以提高LLM在死锁解决中的性能，并提供了LLMs的上下文示例作为提示工程的一部分。在多种多机器人环境中进行了广泛的实验，结果表明基于LLMs的高层计划在解决多智能体机器人系统中的死锁问题方面是有效的。

最近在这个领域中，一些相关的研究包括：'Multi-Robot Systems: A Survey from a Machine Learning Perspective'，'A Survey of Multi-Agent Systems: Coordination, Communication, and Control'，'Multi-robot systems: from swarms to intelligent automata'等。