Dynamic Path Navigation for Motion Agents with LLM Reasoning
作者: Yubo Zhao, Qi Wu, Yifan Wang, Yu-Wing Tai, Chi-Keung Tang
发布时间: 2025-03-11
来源: arxiv
研究方向: 人工智能，机器学习，路径规划，动态导航
主要内容
该研究主要探索了大型语言模型（LLM）在动态环境中进行路径规划和动态导航的能力。研究人员构建了一个基于LLM的导航系统，该系统可以处理多智能体协调、动态碰撞解决和复杂场景的路径规划。
主要贡献
1. 提出了一种基于LLM的零样本路径规划方法，该方法不需要训练数据即可进行路径规划。
2. 构建了一个包含真实世界地板图的R2V数据集，用于评估LLM在路径规划任务中的性能。
3. 提出了一种基于文本的表示方法，将环境、代理和路径表示为标记，以便LLM进行推理。
4. 开发了一种动态路径规划算法，该算法可以自动解决动态环境中的碰撞问题。
5. 展示了LLM在多智能体协调和动态环境中的导航能力，并证明了其在人形运动生成中的应用潜力。
研究方法
1. 使用LLM进行路径规划和动态导航。
2. 构建了一个包含真实世界地板图的R2V数据集。
3. 使用文本表示方法来表示环境、代理和路径。
4. 开发了一种动态路径规划算法，该算法可以自动解决动态环境中的碰撞问题。
5. 使用多种评估指标来评估LLM在路径规划任务中的性能。
实验结果
实验结果表明，LLM在路径规划任务中表现出色，成功率和路径长度都优于基线方法。此外，LLM还可以有效地处理多智能体协调和动态环境中的碰撞问题。
未来工作
未来的工作将包括在真实世界中测试LLM在路径规划任务中的性能，探索将LLM与深度强化学习相结合的方法，以及开发更复杂的路径规划算法，以处理更复杂的动态环境。