《Array》:Waypoint-guided trajectory planning for mobile robots using GPT-4.1 mini and ensemble learning-based action prediction
编辑推荐:
轨迹规划对于自主导航系统至关重要,它需与感知、定位和避障协同工作。传统的路径规划算法在大型或复杂环境中往往因内存消耗大和计算时间长而难以胜任。在此,研究人员提出了一种分层规划框架,这是一种多级方法,其中高级规划器为低级规划器设定总体目标并由其执行,该框架将大语
轨迹规划对于自主导航系统至关重要,它需与感知、定位和避障协同工作。传统的路径规划算法在大型或复杂环境中往往因内存消耗大和计算时间长而难以胜任。在此,研究人员提出了一种分层规划框架,这是一种多级方法,其中高级规划器为低级规划器设定总体目标并由其执行,该框架将大语言模型(LLM)的推理能力与基于机器学习(ML)的局部规划器的高效性相结合。LLM作为高级规划器,通过建议中间航路点来引导机器人驶向目标。随后,基于ML的轨迹规划器利用这些航路点在局部计算可行且高效的路径。该方法显著减少了规划期间探索的状态数量,并加速了决策过程。为验证该方法,研究人员在不同难度级别(简单和困难)的100个仿真环境中进行了测试。结果表明,与A*、Dijkstra以及其他先进方法(如辅助A*的LLM和改进的A*算法)相比,该方法分别将探索空间减少了73.2%、96.9%、91.6%和77.4%,并将到达目标所需的轨迹长度分别缩短了5.9%、5.7%、2.69%和21.1%。
移动机器人的路径规划是自主导航系统中的核心挑战。传统路径规划算法(如A*算法)在静态和已知环境中能够有效寻找最短路径,但在面对大型空间或动态障碍物时存在计算速度慢、内存消耗大的问题。随着人工智能的发展,现代机器学习(ML)技术,特别是深度强化学习(DRL),为路径规划带来了灵活性,使得智能体能够在未知或变化的环境中通过探索学习导航策略。然而,基于ML的方法往往为了适应性而牺牲了最优性保证,需要大量训练数据,且存在可解释性差的问题。近年来,大语言模型(LLM)展现了强大的推理能力,通过思维链(CoT)等结构化提示技术进行多步推理,为路径规划提供了新的解决思路。然而,LLM在细粒度几何推理方面能力较弱,且推理延迟较高。为了填补这一研究空白,研究人员提出了一种新型分层规划框架,将LLM的高级战略推理能力与基于ML的局部规划器的高效执行能力相结合。该研究成功解决了传统算法计算成本高和LLM空间推理不精确的问题,大幅提升了导航效率。该论文发表在《Array》期刊上。
在关键技术方法方面,研究人员主要采用了以下方法:首先,利用GPT-4.1 mini模型作为高级规划器,根据环境信息生成最多五个中间导航航路点;其次,采用A*算法作为专家算法,离线生成最优局部路径数据集;接着,通过模仿学习将专家策略转移至机器人,利用随机森林(RF)、极限梯度提升(XGBoost)以及软投票(Voting Soft, VS)和硬投票(Voting Hard, VH)集成方法训练局部规划器,基于超声波传感器数据预测机器人动作。样本队列来源于通过Python编程生成的1100个仿真环境(包含1000个训练环境和100个测试环境),分为简单和困难两个难度级别。
在研究结果部分,论文详细展示了以下发现:
首先,关于航路点生成LLM的分析。通过在1000个训练环境和100个测试环境中使用GPT-4.1 mini生成航路点,发现模型生成的航路点中有部分与障碍物重合。经过验证步骤移除碰撞点后,测试环境保留了392个有效航路点,碰撞损失率为21.6%。结果表明,LLM在困难环境中的碰撞率达到19.59%,这表明虽然LLM能够有效分解复杂问题,但在精确的无碰撞空间推理上仍存在局限性,必须引入验证机制和鲁棒的局部规划器。
其次,关于ML模型准确性与泛化性的分析。研究人员通过准确率、精确率、召回率和F1分数(F1-Score)评估了各预测模型。结果显示,XGBoost模型在所有四项指标上均取得最高分,准确率达到89.16%,F1分数为89.16%。这得益于其梯度提升框架能够迭代地添加弱学习器以纠正前序模型的错误,特别适合学习传感器输入与最优导航动作之间的复杂非线性关系。
再次,在与其他研究方法的比较中,研究人员的混合方法与A*、Dijkstra、改进的A*以及辅助A*的LLM(LLM-A*)进行了基准测试。结果显示,结合了LLM与XGBoost的混合模型达到了94%的成功率,与传统算法相当,但平均探索节点数大幅降至34.67。与A*(129.09个节点)和Dijkstra(1131.68个节点)相比,该方法将搜索空间分别减少了73.2%和96.9%。与其他混合方法LLM-A*相比,该方法探索的节点更少(34.67对比152.95)且路径长度更优(34.67对比43.96)。研究表明,通过将LLM作为高级启发式算法引导局部规划器,该方法有效避免了探索状态空间中大量无关区域,极大提高了规划效率。
在讨论部分,研究人员分析了LLM在生成航路点时的碰撞率问题,指出LLM虽然擅长将复杂任务分解为子目标,但无法完全信任其进行精细的无碰撞路径规划,因此验证步骤至关重要。同时,XGBoost在预测模型中表现最佳,具有更强的预测能力和泛化性。该分层框架的主要优势在于,通过将战略推理委托给LLM,将局部导航委托给训练有素的ML模型,实现了搜索空间的大幅缩减。尽管由于LLM API调用和ML模型推理引入了更高的计算延迟,这种权衡在大型复杂环境中是非常有利的。
研究结论部分指出,该研究引入了一种将LLM与集成机器学习规划器配对的新型分层框架,显著增强了移动机器人导航能力。主要贡献包括利用GPT-4.1 mini进行战略航路点生成,通过监督学习成功将A*算法的导航策略转移给机器人,并在100个未见过的测试环境中进行了严格评估。该混合方法实现了与传统算法相当的高成功率,同时大幅减少了搜索空间。特别是LLM+XGBoost模型,将平均探索节点数降至34.67,总体上将探索空间减少了高达96.9%,轨迹长度减少了最多21.1%。研究也指出了目前存在的局限性,包括仅在仿真环境中进行评估、LLM输出存在可靠性问题、计算延迟高于传统快速算法以及框架仅限于静态环境。未来研究将聚焦于物理机器人验证、采用如CoT等高级提示策略改善LLM空间推理、利用深度强化学习适应动态环境,以及增强对抽象导航指令的理解和多机器人系统协调。