3P-LLM: Probabilistic Path Planning using Large Language Model for Autonomous Robot Navigation

许多世俗的语义知识可以被编码在大型语言模型（LLMs）中。这些信息对于想要执行自然语言中陈述的高级、时间延长的命令的机器人非常有用。然而，语言模型缺乏现实世界的经验是一个关键限制，使得在特定体现中使用它们进行决策变得具有挑战性。本研究评估了使用LLM（OpenAI的GPT-3.5-turbo聊天机器人）进行机器人路径规划的可行性。传统方法管理复杂环境和开发适应环境变化的可信计划的缺点是本研究的驱动力。由于LLM具有复杂的自然语言处理能力、提供实时的有效和适应性路径规划算法、高精度和少量训练的能力，因此GPT-3.5-turbo非常适合用于机器人路径规划。在许多模拟场景中，本研究比较了GPT-3.5-turbo与Rapidly Exploring Random Tree（RRT）和A*等最先进的路径规划器的性能。我们观察到GPT-3.5-turbo能够向机器人提供实时的路径规划反馈，并且胜过了其竞争对手。本文为LLM驱动的机器人系统路径规划奠定了基础。

使用大型语言模型（LLM）进行路径规划的可行性研究，以解决传统路径规划方法在处理复杂环境和变化环境条件下的局限性。

使用OpenAI的GPT-3.5-turbo聊天机器人作为LLM进行路径规划，利用其自然语言处理能力、实时适应性和快速学习能力，实现实时路径规划反馈，并优于传统路径规划方法。

论文在多个模拟场景中比较了GPT-3.5-turbo和Rapidly Exploring Random Tree（RRT）和A*等传统路径规划方法的性能，并发现GPT-3.5-turbo表现更好。该研究为机器人系统的LLM路径规划奠定了基础。

最近的相关研究包括使用深度强化学习进行路径规划的研究，如《End-to-End Robotic Reinforcement Learning without Reward Engineering》。