A Temporal Planning Framework for Multi-Agent Systems via LLM-Aided Knowledge Base Management
作者: Enrico Saccon, Ahmet Tikna, Davide De Martini, Edoardo Lamon, Luigi Palopoli, Marco Roveri
发布时间: 2025-02-27
来源: arxiv
研究方向: 多智能体系统的时间规划与知识库管理
主要内容
该研究提出了一种名为PLANTOR的框架，该框架通过结合大型语言模型（LLMs）和基于Prolog的知识管理及规划，用于多机器人任务。该系统通过两阶段生成面向机器人的知识库，确保了可重用性和组合推理，以及一个三步规划过程，用于处理时间依赖性、资源约束和并行任务执行。
主要贡献
1. 提出了PLANTOR框架，通过LLMs和Prolog结合，实现了多智能体系统的时间规划和知识库管理。
2. 开发了一个两阶段的知识库生成过程，确保了知识库的可重用性和组合推理。
3. 实现了一个三步规划过程，用于处理时间依赖性、资源约束和并行任务执行。
4. 将最终计划转换为行为树，以便在ROS2中直接使用。
5. 在多机器人装配任务和建筑场景中测试了该框架，结果表明LLMs可以生成准确的知识库，而Prolog保证了形式正确性和可解释性。
研究方法
1. 使用LLMs来生成面向机器人的知识库。
2. 使用Prolog进行知识管理。
3. 使用混合整数线性规划来处理时间依赖性、资源约束和并行任务执行。
4. 将最终计划转换为行为树。
5. 在多机器人装配任务和建筑场景中进行实验验证。
实验结果
在多机器人装配任务和建筑场景中进行了实验，结果表明LLMs可以生成准确的知识库，而Prolog保证了形式正确性和可解释性。实验结果表明，该框架可以有效地生成计划，并支持并行执行。
未来工作
未来工作将集中在减少知识库验证的手动工作量、在更广泛的应用中测试该方法、提高总顺序计划的生成效率、采用任务和运动规划技术以及集成不确定性处理和概率推理。