Graphormer-Guided Task Planning: Beyond Static Rules with LLM Safety Perception
作者: Wanjing Huang, Tongjie Pan, Yalan Ye
发布时间: 2025-03-11
来源: arxiv
研究方向: 机器人任务规划与安全感知
主要内容
本文提出了一种基于Graphormer的风险感知任务规划框架，该框架结合了LLM的决策能力和结构化安全建模，旨在解决现有机器人任务规划方法在安全感知和适应性方面的不足。
主要贡献
1. 引入了基于Graphormer的时空语义安全图，提供了比传统基于规则的更结构化的危险表示。
2. 开发了一个自适应的LLM决策框架，当检测到风险时，能够进行任务修改，以实现连续环境中的灵活安全合规。
3. 通过在AI2-THOR环境中进行的广泛实验，验证了与基于静态规则和仅LLM的基线相比，该框架在风险检测和自适应任务执行方面的显著改进。
研究方法
1. LLM-based semantic reasoning
2. Graphormer pretraining for risk detection
3. Risk-aware task replanning
4. Spatio-semantic safety graph construction
5. Multi-head attention mechanism
实验结果
实验结果表明，该框架在风险检测和任务规划方面优于基线方法，具有较高的召回率和精确率，并且在任务成功率和风险处理成功率方面也取得了良好的表现。
未来工作
未来工作将包括扩展AI2-THOR环境，引入更广泛的安全相关对象，以及将静态空间风险感知扩展到时间框架，以实现危险预测。