[論文レビュー] Large Language Models for Multi-Robot Systems: A Survey

Peihan Li, Zijian An+2 more|ArXiv.org|Feb 6, 2025

Topic Modeling被引用数 4

ひとこと要約

この論文は、巨大言語モデル（LLM）が高レベル・中レベル・低レベルの計画および人間との相互作用を通じて多ロボットシステム（MRS）に統合される方法を調査し、アーキテクチャ、応用、課題、将来の方向性を強調します。

ABSTRACT

The rapid advancement of Large Language Models (LLMs) has opened new possibilities in Multi-Robot Systems (MRS), enabling enhanced communication, task planning, and human-robot interaction. Unlike traditional single-robot and multi-agent systems, MRS poses unique challenges, including coordination, scalability, and real-world adaptability. This survey provides the first comprehensive exploration of LLM integration into MRS. It systematically categorizes their applications across high-level task allocation, mid-level motion planning, low-level action generation, and human intervention. We highlight key applications in diverse domains, such as household robotics, construction, formation control, target tracking, and robot games, showcasing the versatility and transformative potential of LLMs in MRS. Furthermore, we examine the challenges that limit adapting LLMs in MRS, including mathematical reasoning limitations, hallucination, latency issues, and the need for robust benchmarking systems. Finally, we outline opportunities for future research, emphasizing advancements in fine-tuning, reasoning techniques, and task-specific models. This survey aims to guide researchers in the intelligence and real-world deployment of MRS powered by LLMs. Based on the fast-evolving nature of research in the field, we keep updating the papers in the open-source GitHub repository.

研究の動機と目的

• MRSにおける協調性、スケーラビリティ、実世界適応性の向上のためにLLMsの利用を動機づける。
• MRSにおけるLLMの応用を、高レベルのタスク計画、中レベルのモーション計画、低レベルの行動生成、ヒト-ロボット相互作用の3カテゴリに分類する。
• LLM対応のMRSのための通信アーキテクチャと意思決定パラダイムを特定する。
• 推論の限界、幻覚、待機時間など現在の課題を強調し、将来の研究方向を提案する。

提案手法

• 文献からLLMsをMRSへ統合した最近の研究の調査と統合。
• 計画レベル（高/中/低）と人間の介入による応用の分類。
• embodied多ロボット設定におけるLLMsの通信アーキテクチャの分析（集中化/分散化/ハイブリッド）。
• LoRAによるファインチューニング、RAG、マルチモーダル機能など、MRSにおけるLLM性能を高める技術の議論。
• タスクを分解し異種ロボットチームへ割り当てる際に使用されるフレームワークとプロンプトの比較。

Figure 1: Overview of the applications of LLMs in MRS as introduced in Sec. 4 .

実験結果

リサーチクエスチョン

• RQ1 LLMsがMRSの性能を向上させる主な応用カテゴリは何か？
• RQ2 複数ロボット間の協調を最も適切に支える通信アーキテクチャと prompting戦略は何か？
• RQ3 MRSにおけるLLMsの信頼性のある展開を妨げる主な課題と潜在的解決策は何か？
• RQ4 LLMsで動く高/中/低レベルの計画タスクはMRSでどのように相互関係を持つのか？
• RQ5 LLM対応のMRSシステムを評価するベンチマークと環境はどんなものがあるか？

主な発見

• LLMsはMRSにおけるコミュニケーション、タスク計画、ヒューマン-ロボット協調を改善する。
• 適用カテゴリは4つに分類される：高レベルのタスク割り当て、中レベルのモーション計画、低レベルの行動生成、ヒトの介入。
• ハイブリッドおよび集中/分散アーキテクチャ（例：HMAS-2、CMAS、DMAS）はタスクごとに異なるスケーラビリティと効率のトレードオフを示す。
• LoRA、RAG、マルチモーダルLLMなどの技術は、ドメイン適応とリアルタイムの意思決定にとって重要とされる。
• LLM対応のMRSシステムを評価するベンチマークとシミュレーション環境の継続的な必要性。

Figure 2: The BOLAA architecture, which employs a controller to orchestrate multiple LAAs [ 59 ] .