Why Solving Multi-agent Path Finding with Large Language Model has not Succeeded Yet

随着ChatGPT和GPT-4等大型语言模型（LLM）的成功，它们的影响力迅速扩大，最近有大量的研究表明基础模型可以用于解决各种各样的任务。然而，关于多智能体规划的见解非常有限。多智能体规划不同于其他领域，它将多智能体协调和规划的难度结合起来，难以利用外部工具促进所需的推理。本文重点研究多智能体路径规划（MAPF）问题，也称为多机器人路径规划，并研究如何使用LLMs解决MAPF问题。我们首先展示了在没有障碍物的空房间地图上的成功案例，然后在稍微难一些的房间地图上规划失败。我们提出了直接使用LLMs解决MAPF问题尚未成功的假设，并使用各种实验来支持我们的假设。

解决问题：研究如何使用大型语言模型（LLM）解决多智能体路径规划（MAPF）问题，并探讨直接使用LLMs解决MAPF问题的困难之处。

关键思路：论文使用LLMs解决MAPF问题的思路并不成功，因为LLMs难以处理多智能体协调和规划的复杂性。因此，论文提出了一种基于LLMs的两阶段MAPF解决方案，其中第一阶段使用LLMs生成单个智能体的路径，第二阶段使用分布式算法解决多智能体协调问题。

其他亮点：论文通过实验验证了其提出的两阶段MAPF解决方案的有效性，并在多个数据集上进行了测试。此外，论文还提供了开源代码，以便其他研究人员可以使用和扩展该方法。

相关研究：最近的相关研究包括“Multi-Agent Pathfinding with Simultaneous Execution”和“Decentralized Multi-Robot Path Planning with No Communication”。