CLMASP: Coupling Large Language Models with Answer Set Programming for Robotic Task Planning

大型语言模型（LLMs）具有广泛的基础知识和适度的推理能力，使它们适用于开放世界场景下的一般任务规划。然而，将LLM生成的计划与特定机器人的某些限制相结合，以使其可执行，是具有挑战性的。本文介绍了CLMASP，一种将LLMs与Answer Set Programming（ASP）结合起来的方法，以克服这些限制。ASP是一种非单调逻辑编程形式，以其表示和推理机器人行动知识的能力而闻名。CLMASP首先由LLM生成一个基本骨架计划，然后使用向量数据库根据具体情况进行调整。接下来，ASP程序使用机器人的行动知识对计划进行细化，将实现细节融入骨架中，将LLM的抽象输出接地到实际机器人环境中。我们在VirtualHome平台上进行的实验证明了CLMASP的有效性。与LLM方法的基准可执行率不到2％相比，CLMASP将其显着提高到90％以上。

本文旨在解决将大型语言模型生成的计划转化为可执行的机器人行动的问题，以及验证将大型语言模型与Answer Set Programming相结合的方法是否可行。

本文提出了一种将大型语言模型与Answer Set Programming相结合的方法CLMASP，通过向机器人的行动知识中加入具体实现细节，将大型语言模型抽象的输出与实际机器人场景相结合，从而生成可执行的机器人行动计划。

本文在VirtualHome平台上进行了实验，结果表明CLMASP的可执行率显著提高，从不到2%的基线提高到超过90%。此外，本文还开源了代码。

最近的相关研究包括《Answer Set Programming for Robotics》和《A Survey of Answer Set Programming for Knowledge Representation》等。