Hybrid LLM-based Intelligent Framework for Robot Task Scheduling

Technische Samenvatting: Hybride LLM-gebaseerd Intelligent Kader voor Robottaakplanning

Probleemstelling
De bouwsector staat voor aanzienlijke uitdagingen bij taakplanning en resource-toewijzing als gevolg van variabele vaardigheidsniveaus van het personeel, dynamische omstandigheden op de bouwplaats en de beperkingen van traditionele softwaretools. Conventionele planningsmethoden vertrouwen op vooraf gedefinieerde taakbeschrijvingen en gespecialiseerde tools die niet flexibel genoeg zijn om zich aan te passen aan ongekende veranderingen of om natuurlijke taal-instructies van bouwprofessionals te interpreteren. Hoewel Large Language Models (LLM's) potentie bieden voor interactie in natuurlijke taal en logisch redeneren, hebben ze vaak moeite met wiskundige precisie, het voldoen aan beperkingen en het voorspellen van toekomstige toestanden op basis van logische beperkingen (bijvoorbeeld batterijuitputting, volgorde-regels). Bovendien is er in bestaand onderzoek onvoldoende geëvalueerd of een hybride pijplijn die een generatieve LLM combineert met een supervisor-LMM, nauwkeurigheid kan benchmarken met gestandaardiseerde metrieken in multi-robot bouwscenario's.

Methodologie
De auteurs stellen een Hybride LLM-gebaseerd Kader voor dat gebruikmaakt van een twee-agent architectuur om robottaakplannen te genereren en te valideren. Het systeem werkt via een pijplijn met vier fasen:

1. Systeemoverzicht & Contextgronding: Het systeem accepteert instructies in het Engels en context van de bouwplaats (kaarten, robotroosters, API-schema's). Het canoniseert entiteiten (locaties, robot-ID's) om ambiguïteit te verminderen.
2. Fase 1: Generator (Plan Synthese): Een Generator-agent (GPT-4) ontvangt een gestructureerde, code-achtige prompt met de scenariocontext, few-shot voorbeelden en expliciete schema-invarianten. Het produceert een voorlopig schema ($\tilde{\pi}$) als een reeks API-niveau commando's.
3. Fase 2: Supervisor (Beperkingencontrole): Een Supervisor-agent (Gemma 3, LLaMA 4 of Mistral 7B) valideert het voorlopige plan onafhankelijk tegen vijf klassen van beperkingen:
   • Volgorde: Zorgen dat taken de volgorde van de Gerichte Acyclische Graaf (DAG) volgen.
   • Capaciteit/Coalitie: Verifiëren of robots de vereiste vaardigheden bezitten of het vormen van minimale coalities voor complexe taken.
   • Capaciteit/Resources: Controleren van laadvermogenslimieten en aantallen materialen.
   • Batterij/Kinematica: Zorgen dat batterijniveaus niet-negatief blijven en bewegingen fysiek uitvoerbaar zijn.
   • Schema/Uniciteit: Bevestigen van het commandoformaat en het voorkomen van duplicaten.
4. Fase 3: Supervised Reparatielus: Als overtredingen worden gedetecteerd, voert de Supervisor een "minimal-edit projectie" uit en stelt een gecorrigeerd plan ($\hat{\pi}$) voor dat de bewerkingsafstand minimaliseert (herschikking, substitutie, coalitiehertoewijzing) terwijl aan alle beperkingen wordt voldaan. Deze lus iteratie maximaal een begrensd aantal keren ($T=3$).
5. Fase 4: Finalisatie: Het gevalideerde schema wordt uitgevoerd in een API-klaar formaat voor uitvoering door robotmiddleware.

Het kader modelleert het probleem als het vinden van een uitvoerbare commandoreeks $\hat{\pi} \in \mathcal{P}$ die voldoet aan een reeks beperkingen $\Phi$, waarbij de Supervisor fungeert als een projectie-operator die een niet-uitvoerbaar concept naar het dichtstbijzijnde uitvoerbare plan projecteert.

Belangrijkste Bijdragen

• Hybride Generator-Supervisor Architectuur: Het artikel introduceert een nieuwe pijplijn die GPT-4 combineert als generator met kleinere, gespecialiseerde LLM's (Gemma 3, LLaMA 4, Mistral 7B) als supervisors om hallucinaties en logische fouten te corrigeren.
• Beperkingenbewuste Planning: In tegenstelling tot traditionele regelgebaseerde planners (bijvoorbeeld FCFS) of single-pass LLM's, dwingt dit kader expliciet complexe beperkingen af, waaronder batterijduur, coalitievorming en ruimtelijke veiligheid.
• Gestandaardiseerde Evaluatie: De studie biedt een benchmark voor LLM-gebaseerde taakplanning met zowel tekstformaat-metrieken (BLEU, ROUGE, METEOR) als planformaat-metrieken (Uitvoerbaarheidspercentage, Bewerkingsafstand, Makespan).
• Minimal-Edit Correctiestrategie: Het onderzoek toont aan dat een hoge uitvoerbaarheid kan worden bereikt door gelokaliseerde, minimale bewerkingen in plaats van volledige planhergeneratie, waardoor de oorspronkelijke intentie van de generator behouden blijft.

Experimentele Resultaten
Het kader werd geëvalueerd op twee gesimuleerde bouwtaken:

1. Batterij-beperkte Muurconstructie: Een enkele robot moet een muur bouwen terwijl het de batterijduur beheert.
   • Resultaten: De alleen-Generator-aanpak schond vaak de batterijbeperkingen. Alle hybride configuraties (GPT-4 + Gemma/LLaMA/Mistral) bereikten een Uitvoerbaarheidspercentage (FR) van 1,0.
   • Correctiestijl: Gemma 3 en LLaMA 4 voerden "chirurgische" correcties uit (bijvoorbeeld het invoegen van een enkele laadstap of het herschikken van navigatie), wat resulteerde in een hoge tekstgelijkenis (BLEU > 0,87) en minimale makespan-overhead. Mistral 7B koos voor een meer conservatieve aanpak, waarbij redundante laadstappen werden toegevoegd, wat de BLEU-scores verlaagde maar de uitvoerbaarheid behield.
2. Scan-dekking en Pad-uitvoerbaarheid: Een robot moet een raster scannen en terugkeren naar een startpunt.
   • Resultaten: De Generator miste vaak de dekking van specifieke cellen. Alle hybride supervisors bereikten een 100% Uitvoerbaar Plan Percentage (FPR).
   • Correctiestijl: LLaMA 4 leverde de meest efficiënte oplossing (een enkele SCAN-invoeging), met de hoogste BLEU- en ROUGE-scores. Gemma 3 vereiste een korte omweg, terwijl Mistral 7B redundante scans toevoegde voor robuustheid.

Betekenis en Claims
Het artikel stelt dat de implementatie van LLM's cruciaal is voor het verbeteren van de efficiëntie en flexibiliteit van operationele bouwtaken die robots betrekken. De primaire betekenis ligt in het aantonen dat een hybride, multi-agent aanpak effectief de kloof overbrugt tussen het begrijpen van natuurlijke taal door LLM's en de strenge beperkingen die nodig zijn voor robotuitvoering.

De auteurs stellen dat hun kader:

• "Myopische" Planning Overwint: Door generatie en verificatie te scheiden, vermijdt het systeem de logische inconsistenties die vaak voorkomen in single-pass LLM-planning.
• Veiligheid en Uitvoerbaarheid Zorgt: De supervisor-agent fungeert als een betrouwbare veiligheidsbarrière, waardoor gegarandeerd wordt dat gegenereerde plannen uitvoerbaar en veilig zijn (bijvoorbeeld geen batterijonderloop, volledige dekking).
• Traceerbaarheid Handhaaft: Omdat correcties minimaal en lokaal zijn, blijven de uiteindelijke schema's dicht bij de oorspronkelijke intentie van de generator, wat menselijke inspectie en een betrouwbare overdracht aan robotmiddleware faciliteert.

De studie concludeert dat de GPT-4 + Gemma-3 combinatie momenteel de sterkste standaardconfiguratie biedt, met een evenwicht tussen hoge tekstformaat-scores en betrouwbare planvalidatie. Toekomstig werk wordt geïdentificeerd als het afstemmen van agentrollen en het schalen naar heterogene multi-robot omgevingen met gespecialiseerde transport- en assemblagecapaciteiten.