[논문 리뷰] 3P-LLM: Probabilistic Path Planning using Large Language Model for Autonomous Robot Navigation

Ehsan Latif|arXiv (Cornell University)|2024. 03. 27.

Natural Language Processing Techniques인용 수 7

한 줄 요약

이 논문은 Gazebo 시뮬레이션에서 A*와 RRT와 비교하고 실시간 확률적 경로 계획을 수행하기 위해 경로 계획 문제를 자연어로 번역하여 GPT-3.5-turbo를 사용하는 것을 조사한다.

ABSTRACT

Much worldly semantic knowledge can be encoded in large language models (LLMs). Such information could be of great use to robots that want to carry out high-level, temporally extended commands stated in natural language. However, the lack of real-world experience that language models have is a key limitation that makes it challenging to use them for decision-making inside a particular embodiment. This research assesses the feasibility of using LLM (GPT-3.5-turbo chatbot by OpenAI) for robotic path planning. The shortcomings of conventional approaches to managing complex environments and developing trustworthy plans for shifting environmental conditions serve as the driving force behind the research. Due to the sophisticated natural language processing abilities of LLM, the capacity to provide effective and adaptive path-planning algorithms in real-time, great accuracy, and few-shot learning capabilities, GPT-3.5-turbo is well suited for path planning in robotics. In numerous simulated scenarios, the research compares the performance of GPT-3.5-turbo with that of state-of-the-art path planners like Rapidly Exploring Random Tree (RRT) and A*. We observed that GPT-3.5-turbo is able to provide real-time path planning feedback to the robot and outperforms its counterparts. This paper establishes the foundation for LLM-powered path planning for robotic systems.

연구 동기 및 목표

• 동적 환경에서 로봇 경로 계획을 위해 GPT-3.5-turbo의 실현 가능성을 평가한다.
• 계획을 위한 신호를 언어로, 다시 로봇 동작으로 변환하는 확률적 변환을 제안한다.
• 시뮬레이션 작업에서 LLM 기반 계획을 최첨단 계획자와 비교 평가한다.
• LLM 기반 탐색의 실시간 성능과 잠재적 이점/제한점을 파악한다.

제안 방법

• 행동 라벨과 유틸리티 확률을 통해 로봇 경로 계획을 자연어 문제로 변환한다.
• P(u_a|m,s_o,s_g,l_a) 가 P(u_a|s,l_a) * P(l_a|i) 에 비례하도록 계산하여 LLM을 통해 임무와 세계를 고정한다.
• 후보 행동과 다음 상태를 반복적으로 생성하고, GPT-3.5-turbo로 평가한 후 다음 상태로의 최적 연결을 선택한다.
• GPT-3.5-turbo 출력물을 Gazebo/ROS 구성에서 실행 가능한 로봇 행동으로 다시 변환한다.
• 중간 서비스를 사용하여 Lidar/오도메트리 기반 환경 데이터를 LLM용 언어 프롬프트로 변환한다.
• 처리 시간, 경로 길이 및 경로 정확도 측면에서 GPT-3.5-turbo 계획과 A* 및 RRT를 비교한다.

실험 결과

연구 질문

• RQ1 GPT-3.5-turbo가 로봇 내비게이션에 실시간으로 실행 가능한 경로 계획 피드백을 제공하는가?
• RQ2 LLM 기반 계획이 처리 시간, 경로 길이 및 정확도 면에서 A* 및 RRT와 어떻게 비교되는가?
• RQ3 환경 상태 및 사용자 지시에 행동 설명의 고 grounding이 계획 성능에 어떤 영향을 미치는가?
• RQ4 동적 장애물을 다루는 것을 LLM에 다시 프롬프트를 주어 업데이트된 행동을 생성하도록 하여 관리할 수 있는가?

주요 결과

• GPT-3.5-turbo는 평균 처리 시간이 10 ms로 A*의 72 ms 및 RRT의 21 ms보다 빠르다.
• GPT-3.5-turbo는 평균 경로 길이를 6.34 m, 경로 정확도 81%를 보였다.
• A*는 경로 정확도가 더 높았지만 처리 시간은 GPT-3.5-turbo 및 RRT에 비해 느렸다.
• RRT는 고전적 계획자 중에서 가장 빠르게 처리되었지만 경로 정확도는 87%로 낮았고 경로 길이가 더 길었다.
• GPT-3.5-turbo 접근 방식은 실시간 계획 기능을 보여주었고 정확성과 최적화를 향상시키기 위한 하이브리드 전략의 가능성을 시사했다.