PlanCollabNL: Aproveitando Grandes Modelos de Linguagem para Geração Adaptativa de Planos na Colaboração Humano-Robô

Ei, robô. Vamos arrumar a cozinha. A propósito, estou com dor nas costas hoje". Como um sistema robótico pode elaborar um plano compartilhado com uma alocação apropriada de tarefas a partir desse objetivo abstrato e condição do agente? O planejamento clássico de tarefas em IA tem sido explorado para esse fim, mas envolve uma definição tediosa de um problema de planejamento inflexível. Grandes Modelos de Linguagem (LLMs) demonstraram capacidades promissoras de generalização na tomada de decisões em robótica por meio da extração de conhecimento da Linguagem Natural (NL). No entanto, a tradução da informação em NL para domínios robóticos restritos continua sendo um desafio. Neste artigo, usamos LLMs como tradutores entre informação em NL e um problema estruturado de planejamento de tarefas em IA, direcionado a planos colaborativos humano-robô. O LLM gera informações que são codificadas no problema de planejamento, incluindo subobjetivos específicos derivados de um objetivo abstrato em NL, bem como recomendações para alocação de subobjetivos baseadas nas condições do agente em NL. O framework PlanCollabNL é avaliado para vários objetivos e condições de agentes, e os resultados mostram que planos corretos e executáveis são encontrados na maioria dos casos. Com esse framework, pretendemos adicionar flexibilidade e generalização à geração de planos em HRC, eliminando a necessidade de uma definição manual e laboriosa de problemas restritos de planejamento e modelos de agentes.