HEART：协调异构专家代理以进行基于物理约束的机器人任务规划

大语言模型 (LLM) 可以对复杂指令进行推理，但通常无法满足机器人任务规划所需的物理和空间约束。最近基于 LLM 的规划器直接将文本翻译成动作序列，但缺乏关于可行性、可达性和逻辑顺序的结构化推理，导致计划无效或不完整。我们提出了一个异构多 LLM 框架，该框架将指令分解为原子推理任务，并将它们分配给 词元预算 下的角色专用专家代理，以实现现实世界的计算和通信约束。通过将异构代理的面向角色的推理与约束驱动的计划合成相结合，HEART 在规划之前验证能力、可达性和约束条件，并帮助生成物理上可执行的计划，同时保持效率。跨不同家庭基准的实验表明，与单个 LLM 和基于规则的规划器相比，HEART 持续提高了计划成功率，这表明异构 LLM 协作可以在资源限制下实现稳健且可扩展的机器人任务规划。