[논문 리뷰] Large Language Models for Multi-Robot Systems: A Survey

Peihan Li, Zijian An외 2명|ArXiv.org|2025. 02. 06.

Topic Modeling인용 수 4

한 줄 요약

이 논문은 대형 언어 모델(LLM)이 고위, 중위, 저위 계획 및 인간 상호작용에 걸쳐 다중 로봇 시스템(MRS)에 어떻게 통합되는지 조사하고, 아키텍처, 응용, 도전 과제 및 향후 방향을 강조합니다.

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.

연구 동기 및 목표

• MRS에서의 조정, 확장성, 그리고 실세계 적응성을 다루기 위한 LLM 사용의 동기를 제시한다.
• LLM 응용을 고위급 작업 계획, 중위급 모션 계획, 저위급 행동 생성, 인간-로봇 상호작용으로 분류한다.
• LLM 기반 MRS를 위한 커뮤니케이션 아키텍처와 의사결정 패러다임을 식별한다.
• (추론 한계, 환각, 지연) 등 현재 도전 과제를 강조하고 향후 연구 방향을 제시한다.

제안 방법

• 최근 문헌에서 LLM을 MRS에 통합한 연구의 조사 및 종합.
• 응용 분야를 계획 수준(고위, 중위, 저위) 및 인간 개입으로 분류한다.
• 구현 다로에서 LLM의 커뮤니케이션 아키텍처를 분석한다(중앙집중식, 분산식, 하이브리드).
• LoRA, Retrieval-Augmented Generation(RAG), 다중 모달 기능과 같은 LLM 성능을 향상시키는 기법에 대해 논의한다.
• 이종 로봇 팀에 작업을 분해하고 할당하는 프레임워크와 프롬프트를 비교한다.

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

실험 결과

연구 질문

• RQ1 LLMs가 MRS 성능을 향상시키는 주요 응용 범주는 무엇인가?
• RQ2 다수의 로봇 간 조정을 가장 잘 지원하는 커뮤니케이션 아키텍처와 프롬프트 전략은 무엇인가?
• RQ3 MRS에서 LLM의 신뢰할 수 있는 배치를 방해하는 주요 도전 과제는 무엇이며 잠재적 해결책은 무엇인가?
• RQ4 LLM으로 구동될 때 고위-/중위-/저위 계획 작업은 MRS에서 어떻게 상호 연관되는가?
• RQ5 LLM 기반 MRS 시스템을 평가하기 위한 벤치마크와 환경은 무엇이 있는가?

주요 결과

• LLMs가 MRS에서 의사소통, 작업 계획, 인간-로봇 협업을 개선한다.
• 네 가지 응용 범주를 식별한다: 고위급 작업 할당, 중위급 모션 계획, 저위급 행동 생성, 인간 개입.
• 하이브리드 및 중앙집중식/분산식 아키텍처(HMAS-2, CMAS, DMAS 등)는 작업 간 확장성 및 효율성에 서로 다른 트레이드오프를 보인다.
• LoRA, RAG, 다중 모달 LLM과 같은 기법은 도메인 적응 및 실시간 의사결정에 중요하다고 강조된다.
• LLM 기반 MRS 시스템을 평가하기 위한 벤치마크와 시뮬레이션 환경의 필요성이 지속적으로 제기된다.

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