OceanPlan: Hierarchical Planning and Replanning for Natural Language AUV Piloting in Large-scale Unexplored Ocean Environments

我们开发了一个分层的LLM-任务-运动规划和重新规划框架，通过增强世界的表现形式，有效地将抽象的人类指令转化为可触及的自主水下机器人（AUV）控制。我们还结合了一个全面的重新规划器，为稳健的AUV操作提供真实世界的反馈。虽然在弥合LLMs和机器人任务之间的差距方面进行了广泛的研究，但它们无法保证AUV在广阔而未知的海洋环境中的应用成功。为了解决海洋机器人领域的特定挑战，我们设计了一个分层规划器，以组成可执行的运动计划，通过将长期任务分解为子任务来实现规划效率和解决方案质量。同时，重新规划器获取实时数据流，以解决计划执行期间的环境不确定性。实验证实，我们提出的框架通过自然语言驾驶交付了长时间任务的成功AUV性能。

本论文旨在通过增强世界的表征来将抽象的人类指令转化为切实可行的自主水下机器人（AUV）控制，同时设计一个层次化的规划器来将长期任务分解为子任务，以提高规划效率和解决方案质量，并引入一个全面的重新规划器来为鲁棒的AUV操作提供实时反馈。

论文的关键思路是设计一个能够将长期任务分解为子任务的层次化规划器，并引入一个全面的重新规划器，以应对环境不确定性，从而提高AUV的性能和鲁棒性。

论文的实验结果验证了该框架通过自然语言引导可以成功完成长期任务的AUV性能，这对于海洋机器人的应用有着重要的意义。此外，论文还介绍了使用的数据集和开源代码，以及值得进一步研究的工作方向。

近期在该领域中的相关研究包括：《A Survey of Underwater Robotics for Environmental Monitoring》、《Autonomous Underwater Vehicles: An Overview of Propulsion, Sensing, and Communication Technologies》等。