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

近年来，大型语言模型（LLM）在理解和解决数学问题方面展现出了非凡的能力，推动了各个领域的发展。我们提出了一个以LLM为核心的移动代理路径规划框架，专注于解决高级覆盖路径规划问题和低级控制问题。我们提出了一个多层架构，使用提示的LLM在路径规划阶段，并将它们与移动代理的低级执行器集成。为了评估不同LLM的性能，我们提出了一个覆盖加权路径规划度量标准来评估这些模型的性能。我们的实验表明，所提出的框架提高了LLM的空间推理能力。我们证明，所提出的多层框架通过利用LLM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LLM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，其指标优于其他模型。

提出了一个基于大型语言模型的移动代理路径规划框架，旨在解决高级覆盖路径规划问题和低级控制问题。

提出了一个多层架构，使用提示的LLMs在路径规划阶段，并将它们与移动代理的低级执行器集成。

提出了一个覆盖加权路径规划度量标准来评估LLMs的性能；使用claude-3.5进行的实验表明，该框架可以提高LLMs的2D平面推理能力和完成覆盖路径规划任务的能力。

最近的相关研究还包括：《基于深度强化学习的路径规划研究》、《基于改进的A*算法的路径规划研究》等。