[논문 리뷰] MeCo: Enhancing LLM-Empowered Multi-Robot Collaboration via Similar Task Memoization

Baiqing Wang, Helei Cui외 4명|arXiv (Cornell University)|2026. 01. 28.

Multimodal Machine Learning Applications인용 수 0

한 줄 요약

MeCo는 유사성 인식 프레임워크를 도입하여 Similar Task Memoization 전략과 Similar Motion Planner (S-Planner)를 사용해 유사한 다중 로봇 작업의 해를 캐시하고 재사용하여 LLM 호출, 계획 시간, 토큰 사용을 줄입니다.

ABSTRACT

Multi-robot systems have been widely deployed in real-world applications, providing significant improvements in efficiency and reductions in labor costs. However, most existing multi-robot collaboration methods rely on extensive task-specific training, which limits their adaptability to new or diverse scenarios. Recent research leverages the language understanding and reasoning capabilities of large language models (LLMs) to enable more flexible collaboration without specialized training. Yet, current LLM-empowered approaches remain inefficient: when confronted with identical or similar tasks, they must replan from scratch because they omit task-level similarities. To address this limitation, we propose MeCo, a similarity-aware multi-robot collaboration framework that applies the principle of ``cache and reuse'' (a.k.a., memoization) to reduce redundant computation. Unlike simple task repetition, identifying and reusing solutions for similar but not identical tasks is far more challenging, particularly in multi-robot settings. To this end, MeCo introduces a new similarity testing method that retrieves previously solved tasks with high relevance, enabling effective plan reuse without re-invoking LLMs. Furthermore, we present MeCoBench, the first benchmark designed to evaluate performance on similar-task collaboration scenarios. Experimental results show that MeCo substantially reduces planning costs and improves success rates compared with state-of-the-art approaches.

연구 동기 및 목표

• 작업 간 유사성을 활용하여 LLM-구동 다중 로봇 협업에서 계획 비용과 토큰 사용을 줄이는 것을 목표로 한다.
• 재사용을 위한 관련 과거 작업을 식별하는 유사성 테스트 메커니즘을 개발한다.
• 유사한 작업에서 계획을 재사용하고 전체 LLM 재계획을 피하기 위한 Similar Motion Planner (S-Planner)을 설계한다.
• 유사 작업 협업 시나리오의 성능을 평가하기 위한 MeCoBench를 만든다.
• MeCo의 오픈 소스 구현을 제공한다.

제안 방법

• 성공적인 작업 계획을 저장하고 유사한 작업을 재사용하기 위해 검색하는 작업 캐시를 도입한다.
• 과거 작업을 선택하기 위한 저중첩/고중첩 작업에 대한 유사성 기준을 정의한다.
• 유사한 작업으로부터 계획을 상속하고 이를 재적용하기 위해 S-Planner를 개발한다; 고중첩 작업의 경우 역확인(back checking)과 충돌 확인을 포함한다.
• S-Planner가 작업을 완료할 수 없을 때 실패 단계에서 LLM 계획으로 다시 진입하기 위한 연속 계획을 구현한다.
• 캐시 크기와 작업 다양성을 관리하기 위해 LFU에서 영감을 받은 중복 제거 메커니즘을 포함한 선택적 캐싱을 도입한다.
• RoCoBench를 확장하여 유사 작업 성능 평가를 위한 MeCoBench를 형성한다; RoCo, Central Plan, HMAS-2, ReAct와 대조한다.

실험 결과

연구 질문

• RQ1 다중 로봇 협업에서 계획 재사용을 가능하게 하는 작업 수준의 유사성을 어떻게 정의하고 탐지할 수 있는가?
• RQ2 유사한 작업 계획 재사용이 LLM 호출 수, 계획 시간, 토큰 소비를 어느 정도까지 줄일 수 있으며 성공률 손실 없이 달성할 수 있는가?
• RQ3 제안된 S-Planner가 서로 다른 작업 공간 중첩 시나리오에서 신뢰할 수 있게 계획을 적응 또는 재사용하는가?
• RQ4 캐시 크기와 중복 제거 전략이 다양한 작업 가족에서 MeCo의 성능에 미치는 영향은 무엇인가?
• RQ5 연속 계획이 S-Planner가 완전히 작업을 마치지 못할 때 간극을 얼마나 효과적으로 메울 수 있는가?

주요 결과

• MeCo는 무작위 및 유사 시나리오에서 baselines 대비 약 30%의 작업 성공률 향상을 달성한다.
• MeCo는 계획 시간을 약 55% 감소시키고 토큰 소모를 최신 baselines 대비 최대 70%까지 감소시킨다.
• 고중첩 작업의 경우 더 큰 작업 캐시가 성공률을 높이고 토큰을 감소시키지만, 탐색 오버헤드로 인해 계획 시간은 감소-증가 추세를 보인다.
• 저중첩 작업의 경우 더 큰 캐시가 일반적으로 성공률을 높이고 토큰을 감소시키며 계획 시간은 안정화된다.
• MeCoBench에서 MeCo는 S1(무작위) 및 S2(전적으로 유사)에서 일관되게 baselines를 능가하고, S3(전혀 다른)에서는 baselines와의 차이가 거의 비슷해진다.
• 성공률 향상의 상당 부분은 유사성 테스트, S-Planner 통합, 연속 계획 구성요소에서 기인하며, 제거 연구(ablation studies)에서도 확인된다.