OSDAG：高效多机器人协作在线调度

协调异构多机器人系统（MRS）来执行复杂的长期任务需要灵活的高级推理和高效的执行时间调度。现有的基于 LLM 的方法很难平衡推理效率和执行灵活性。扁平顺序计划的生成效率很高，但忽略了并行执行机会，而重复的 LLM 推理会带来高延迟，并且由于固定的执行顺序，离线计划可能不必要地使机器人处于闲置状态。本文提出了 OSDAG，这是一种新颖的框架，它通过采用有向无环图（DAG）作为多机器人协调的中心表示，并结合约束感知在线调度来解决这种权衡。 LLM 通常作为语义解析器调用一次，它将自然语言指令分解为编码优先关系的依赖注释任务图，以及机器人能力和资源可行性约束。一旦分配的机器人空闲，轻量级在线调度程序就会动态地将依赖就绪任务分派给它们，从而在保持正确性的同时公开可用的并行性。五个基准场景的实验表明，OSDAG 的推理时间比基于对话的方法快 5-15 倍，与连续基线相比，缩短完工时间高达 38%$，并保持有竞争力的成功率。人机协作任务的仿真和现实实验验证了所提出的高效多机器人协调方法的有效性和实用性。网站和资源位于 http://thanhnguyencanh.github.io/LLM_DAG4MultiRobot