IMR-LLM: Industrial Multi-Robot Task Planning and Program Generation using Large Language Models

Título: IMR-LLM: Planejamento de Tarefas Multi-Robô Industrial e Geração de Programas usando Grandes Modelos de Linguagem

1. O Problema

No cenário da manufatura inteligente moderna, a colaboração entre múltiplos robôs é essencial para tarefas complexas. No entanto, existem desafios significativos ao aplicar Grandes Modelos de Linguagem (LLMs) diretamente em ambientes industriais, diferentemente de tarefas domésticas ou de manipulação simples:

• Restrições Sequenciais Rígidas: Em linhas de produção, as operações possuem dependências estritas e sequências de execução fixas (ex: soldar antes de polir), onde erros de ordem podem inviabilizar o processo.
• Conflitos de Recursos: Múltiplos robôs podem competir pelo mesmo equipamento (ex: uma mesa de polimento) ou pelo mesmo robô, exigindo um agendamento preciso para evitar colisões e tempos ociosos.
• Limitações dos LLMs Puros: LLMs, embora bons em raciocínio, tendem a falhar ao gerar planos de agendamento ótimos e viáveis apenas com base em few-shot prompting (poucos exemplos), especialmente em cenários com alta complexidade de dependências.
• Geração de Código Inexecutável: Métodos existentes frequentemente geram código que se sobrepõe aos exemplos de treinamento, mas falha em se adaptar às variações específicas da linha de produção real, resultando em baixa taxa de execução.

2. Metodologia (IMR-LLM)

O framework IMR-LLM propõe uma abordagem híbrida que combina a capacidade de raciocínio dos LLMs com algoritmos determinísticos e estruturas de dados especializadas. O processo divide-se em três módulos principais:

A. Planejamento de Tarefas (Task Planning)

Em vez de pedir ao LLM para gerar diretamente a ordem de execução de todas as tarefas (o que é propenso a erros), o método utiliza uma abordagem em duas etapas:

1. Construção de Grafos Disjuntivos: O LLM é usado para analisar a descrição da tarefa e o cenário, decompondo-a em operações, alocando robôs e identificando restrições de precedência intra-peça. Essas informações são convertidas em um Grafo Disjuntivo (uma estrutura de dados clássica para problemas de Job-Shop Scheduling).
   • O grafo inclui vértices (operações), arcos conjuntivos (precedências dentro da mesma peça) e arcos disjuntivos (conflitos de recursos como máquinas e robôs).
2. Resolução Determinística: Uma vez construído o grafo, um algoritmo heurístico (no caso, First-In-First-Out - FIFO) resolve o problema de agendamento. Isso garante que o plano final seja matematicamente viável, eficiente e livre de conflitos de recursos, superando as limitações de raciocínio de longo prazo dos LLMs.

B. Geração de Programas (Program Generation)

Para gerar o código de baixo nível (Python) executável pelos robôs:

1. Árvore de Processo de Operação: Em vez de usar exemplos de código específicos (in-context learning), o método constrói uma Árvore de Processo unificada.
   • O LLM analisa exemplos de programas e extrai uma estrutura de árvore que representa o fluxo de execução de cada tipo de operação (ex: transporte, polimento).
   • A árvore captura dependências sequenciais fixas e ramificações para variações de implementação (ex: câmera montada vs. câmera manual).
2. Geração Guiada pela Árvore: O LLM usa a árvore como guia para gerar o código. Para cada operação, o modelo seleciona o caminho (ramo) correto na árvore baseado no cenário e compila os "snippets" de código correspondentes. Isso reduz redundância, evita ambiguidades lógicas e garante que todas as etapas críticas sejam incluídas.

C. Execução

O plano de alto nível (gráfico de agendamento) define a ordem de execução, enquanto o programa gerado (código Python) contém as funções de execução atômicas. O sistema orquestra os robôs para executar as tarefas conforme o agendamento otimizado.

3. Principais Contribuições

1. Framework IMR-LLM: Uma nova arquitetura que integra LLMs com algoritmos de grafos disjuntivos para planejamento e árvores de processo para geração de código, focado especificamente em linhas de produção industriais multi-robô.
2. IMR-Bench: A criação de um benchmark desafiador contendo 23 cenas industriais reais (adaptadas) e 50 tarefas de manufatura com três níveis de complexidade (robô único, multi-robô simples e multi-robô complexo).
3. Validação Experimental: Implementação e teste extensivo em ambientes simulados e reais, demonstrando superioridade em relação aos métodos atuais.

4. Resultados Experimentais

Os experimentos foram realizados no IMR-Bench, comparando o IMR-LLM com métodos de ponta como SMART-LLM, LaMMA e LiP-LLM.

• Métricas de Desempenho: O IMR-LLM superou consistentemente os baselines em todas as métricas:
  • Consistência de Operação (OC): 100% em tarefas de robô único e simples, mantendo alta performance em tarefas complexas.
  • Eficiência de Agendamento (SE): Alcançou 100% em tarefas simples e significativamente superior em tarefas complexas, graças à resolução determinística do grafo.
  • Executabilidade (Exe) e Recall de Condição de Objetivo (GCR): O uso da árvore de processo resultou em códigos mais robustos e executáveis, com GCR próximo a 1.0 em muitos casos.
  • Taxa de Sucesso (SR): O método alcançou a maior taxa de sucesso geral, especialmente notável em tarefas complexas onde outros métodos falharam devido a conflitos de recursos ou planos inviáveis.
• Análise de Ablação: A remoção do grafo disjuntivo (usando apenas LLM para agendamento) causou queda drástica na eficiência de agendamento (SE). A remoção da árvore de processo (usando exemplos diretos) reduziu significativamente a executabilidade (Exe) e o GCR.
• Experimentos no Mundo Real: O sistema foi testado com sucesso em um cenário real com três braços robóticos, gerando planos viáveis e executando tarefas de transporte e posicionamento sem falhas críticas.

5. Significância e Impacto

O trabalho é significativo porque:

• Ponte entre IA e Indústria: Resolve o "gap" entre a flexibilidade semântica dos LLMs e a rigidez matemática exigida pela manufatura industrial.
• Confiabilidade: Ao delegar o agendamento complexo para algoritmos determinísticos e usar os LLMs apenas para a construção do modelo e geração de código estruturado, o sistema oferece a confiabilidade necessária para ambientes de produção.
• Escalabilidade: A estrutura baseada em árvore de processo permite que o sistema se adapte a novas operações e cenários sem a necessidade de re-treinamento massivo ou de grandes conjuntos de exemplos específicos.
• Padrão de Avaliação: O IMR-Bench estabelece um novo padrão para avaliar sistemas multi-robô em contextos industriais, preenchendo uma lacuna na literatura atual que foca majoritariamente em ambientes domésticos.

Em resumo, o IMR-LLM demonstra que a combinação de raciocínio de linguagem natural com otimização combinatória clássica é a chave para viabilizar a autonomia de robôs industriais colaborativos.