Embodied AI in Mobile Robots: Coverage Path Planning with Large Language Models

近年来，大型语言模型（LLMs）展示出在理解和解决数学问题方面的显著能力，从而推动了各个领域的发展。我们提出了一个以LLM为主体的移动机器人路径规划框架，专注于解决高级覆盖路径规划问题和低级控制。我们提出的多层架构在路径规划阶段使用提示的LLMs，并将它们与移动机器人的低级执行器集成。为了评估各种LLMs的性能，我们提出了一种覆盖加权路径规划度量来评估体现模型的性能。我们的实验表明，所提出的框架提高了LLMs的空间推理能力。我们展示了所提出的多层框架通过利用LLMs的自然语言理解和生成能力显著提高了这些任务的效率和准确性。我们的实验表明，这个框架可以提高LLMs的二维平面推理能力和完成覆盖路径规划任务。我们还测试了三个LLM内核：gpt-4o、gemini-1.5-flash和claude-3.5-sonnet。实验结果表明，claude-3.5可以在不同场景下完成覆盖规划任务，并且其指标优于其他模型。

提出了一个利用大型语言模型（LLMs）的路径规划框架，旨在解决移动智能体的高级覆盖路径规划问题和低级控制问题。

使用提示的LLMs在路径规划阶段，并将其与移动智能体的低级执行器集成，提高了LLMs的空间推理能力。

实验结果表明，所提出的多层框架显著提高了任务的效率和准确性，可以改善LLMs的2D平面推理能力和完成覆盖路径规划任务。所使用的三种LLM内核分别是gpt-4o、gemini-1.5-flash和claude-3.5-sonnet，claude-3.5的表现最好。

最近的相关研究不详。