用于鲁棒多机器人操作的闭环多智能体框架

多机器人系统提供长期任务所需的并行性和冗余性，而 大语言模型 (LLM) 提供推理功能，将这些目标分解为可行的计划。然而，在物理多机器人执行中有效地建立这种高级推理仍然是一个开放的挑战。现有的基于 LLM 的方法主要分为两类：单机器人方法实现了强大的接触丰富的操作，但缺乏跨多个工作空间的任务所需的协调机制。当前的多机器人框架侧重于高层规划，通常将操纵视为理想化的原语，无法考虑现实世界执行的不确定性。为了解决这个问题，我们提出了一种基于 LLM 的分层闭环代理框架，以确保稳健的多机器人操作。我们的系统由三个专门的代理组成：规划代理将指令分解为分配的子任务，每个机器人的操纵代理通过自适应工具的使用执行操作，验证代理通过监视物理结果和反馈语义更正来关闭循环。广泛的现实世界实验表明，我们的框架实现了卓越的成功率，确保了从单一到跨工作空间操作的强大适应性，并为不同的操作任务提供了通用的方法。