Jorge Mendez-Mendez

研究发现：大型语言模型在机器人规划方面难以超越工程化系统

一项新发表在arXiv上的研究，探讨了将大型语言模型（LLMs）与任务与运动规划（TAMP）相结合用于机器人技术。研究人员开发了16种算法，用LLMs替换关键的TAMP组件，并在三个领域进行了13,750次零样本实验。研究结果表明，与传统的工程化系统相比，基于LLM的规划器通常成功率较低且规划时间更长。具体而言，提供几何细节比纯粹的PDDL描述导致更多的任务规划错误，并且在大多数场景下，直接的LLM方法优于基于推理的LLM变体。