PulseAugur
中
实时 07:48:51
English(EN) Combining Large Language Models and Symbolic Reasoning for Multi-Robot Temporal Planning through Explainable Knowledge Bases

大型语言模型与符号推理结合用于多机器人规划

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了PLANTOR框架，该框架将大型语言模型（LLMs）与符号推理相结合，用于多机器人时间规划。该系统利用LLMs从自然语言任务描述中创建结构化的Prolog知识库，然后检查错误并用于生成符号规划。这些规划被细化为机器人动作，并针对时间进行优化，然后转换为可执行的行为树。虽然LLM生成的知识库可以显著减少手动工作量，但论文建议在关键任务中仍可能需要人工纠正，提倡一种混合方法，即LLMs协助创建符号制品，而规划过程仍可检查。 AI

影响 这项研究通过自动化知识库创建和规划，有望简化复杂机器人系统的开发，从而加速多机器人应用的部署。

排序理由 研究论文，详细介绍了用于AI辅助机器人的新颖框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

大型语言模型与符号推理结合用于多机器人规划

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Enrico Saccon, Matteo Saveriano, Edoardo Lamon, Luigi Palopoli, Marco Roveri ·

    结合大型语言模型与符号推理，通过可解释知识库实现多机器人时序规划

    arXiv:2502.19135v2 Announce Type: replace Abstract: We present PLANTOR, a framework for generating and executing multi-robot task plans from natural-language task descriptions through LLM-assisted knowledge-base construction. The approach uses large language models to synthesize …

相关实体

相关话题