GuideFetch：辅助机器狗并发导航和对象检索的任务协调框架

想象一下，一只机器人导盲犬护送盲人用户到座位上，而另一只机器人则检索并运送物体。我们引入了 \textsc{GuideFetch}，一个用于协调异构机器人并发引导和获取任务的框架。 大语言模型 (LLM) 实例化一个以计划为条件的四动作模式；确定性标准化和验证强制执行已注册的目标、机器人功能和选定的时间表，而机器人和对象状态则控制执行和完成。我们记录了 360 个模拟器在脚本化和在线计划出处条件下运行的 90 多个场景种子组合。所有 180 个在线响应都会根据第一个请求进行验证，并与它们的脚本参考相匹配，因此计划来源比较测试的是标准化计划一致性，而不是不同的执行因素。无模拟器突变测试接受两个有效对照并拒绝所有 32 个违反规则的变体。在每个计划的 90 个场景种子案例中，顺序和并行执行实现了 72/90$ 和 71/90$ 的运营成功。在 56 个常见成功案例中，实施的角色重新分配并行协议将平均完工时间缩短了 41.3%。这种系统级增益结合了角色分配、动作重叠和场景几何；状态检查将计划的有效性与经过验证的任务完成情况区分开来。