LLCoach: Generating Robot Soccer Plans using Multi-Role Large Language Models

将机器人部署到人类场景中需要先进的规划策略，特别是当我们要求机器人在动态、无结构的环境中操作时。RoboCup提供了在人形比赛中部署机器人的机会，这是一个由足球比赛代表的人类场景。在这种情况下，机器人必须使用预定义的行为来操作，这些行为可能会在不可预测的情况下失败。本文介绍了一种新的大型语言模型（LLMs）应用，以应对在这种情况下生成可操作计划的挑战，特别是在RoboCup标准平台联赛（SPL）比赛的背景下，机器人需要自主执行从个体代理人相互作用中产生的足球策略。具体而言，我们提出了一种多角色方法，利用LLMs的能力来生成和完善机器人足球队的计划。所提出方法的潜力通过实验评估得到了证明，模拟了多场比赛，其中使用AI生成的计划的机器人与运行人类构建代码的机器人对战。

本文旨在解决在RoboCup比赛中，机器人操作在动态、无结构环境中的挑战，提出了使用大型语言模型生成可行计划的方法。

本文提出了一种多角色方法，利用大型语言模型生成和完善机器人足球队的计划，以应对RoboCup比赛中的挑战。

本文通过模拟多场比赛，展示了使用AI生成计划的机器人与使用人工编写代码的机器人之间的比赛结果。

近期的相关研究包括使用深度强化学习技术来提高机器人在RoboCup比赛中的表现，如“Deep Reinforcement Learning for RoboCup Soccer Keepaway”和“Multiagent Reinforcement Learning for RoboCup Soccer Keepaway Problem”。