PlanCollabNL: Aprovechamiento de Grandes Modelos de Lenguaje para la Generación Adaptativa de Planes en la Colaboración Humano-Robot

Hola, robot. Vamos a ordenar la cocina. Por cierto, hoy tengo dolor de espalda". ¿Cómo puede un sistema robótico diseñar un plan compartido con una asignación apropiada de tareas a partir de este objetivo abstracto y condición del agente? La planificación clásica de tareas en IA se ha explorado para este propósito, pero implica una definición tediosa de un problema de planificación inflexible. Los Grandes Modelos de Lenguaje (LLMs) han demostrado capacidades prometedoras de generalización en la toma de decisiones robóticas mediante la extracción de conocimiento del Lenguaje Natural (NL). Sin embargo, la traducción de información en NL a dominios robóticos restringidos sigue siendo un desafío. En este artículo, utilizamos LLMs como traductores entre la información en NL y un problema estructurado de planificación de tareas en IA, dirigido a planes colaborativos humano-robot. El LLM genera información que se codifica en el problema de planificación, incluidos subobjetivos específicos derivados de un objetivo abstracto en NL, así como recomendaciones para la asignación de subobjetivos basadas en las condiciones del agente en NL. El marco, PlanCollabNL, se evalúa para varios objetivos y condiciones del agente, y los resultados muestran que se encuentran planes correctos y ejecutables en la mayoría de los casos. Con este marco, pretendemos añadir flexibilidad y generalización a la generación de planes en HRC, eliminando la necesidad de una definición manual y laboriosa de problemas de planificación restringidos y modelos de agentes.