Survey on Large Language Model-Enhanced Reinforcement Learning: Concept, Taxonomy, and Methods

大型语言模型（LLMs）以其广泛的预训练知识和高水平的通用能力，成为增强学习（RL）在多任务学习、样本效率和任务规划等方面的有前途的途径。在本次调查中，我们全面回顾了现有文献中的$\textit{LLM增强RL}$，并总结了其与传统RL方法相比的特点，旨在澄清未来研究的研究范围和方向。利用经典的代理-环境交互范例，我们提出了一个结构化分类法，以系统地分类LLMs在RL中的功能，包括四个角色：信息处理器、奖励设计师、决策者和生成器。此外，对于每个角色，我们总结了方法论，分析了缓解的具体RL挑战，并提供了未来方向的见解。最后，讨论了$\textit{LLM增强RL}$的潜在应用、前景机会和挑战。

LLM-enhanced RL的综述和分类

将LLM的四种角色（信息处理器、奖励设计者、决策者和生成器）系统分类，总结其在RL中的作用和方法，并提出未来研究方向。

论文提供了LLM-enhanced RL的全面综述和分类，对当前研究进行了总结和分析，并提出了未来的研究方向。实验设计详细，使用了多个数据集。

最近的相关研究包括《Deep Reinforcement Learning: An Overview》、《A Survey of Reinforcement Learning Informed by Natural Language》等。