Large language model-based task planning for service robots: A review

文章核心总结与创新点

主要内容

该文章系统综述了大型语言模型（LLMs）在服务机器人任务规划中的应用，聚焦家庭非结构化环境场景。首先介绍了LLMs的理论基础（预训练、微调、RAG、提示工程等核心技术），随后基于输入模态构建分类框架，详细分析了文本型、视觉语言型、音频型和多模态四种LLM驱动的任务规划方法，最后指出当前研究面临的实时性、多模态融合、模型评估等挑战，并提出未来研究方向。

创新点

1. 构建了首个以模态为中心的分类体系，将服务机器人任务规划分为文本、视觉、音频、多模态四类，揭示跨模态协同难点。
2. 聚焦家庭非结构化环境这一特定场景，弥补了现有综述对家用服务机器人任务规划系统分析的空白。
3. 系统梳理LLMs核心技术与机器人任务规划的融合路径，同时批判性审视实际部署障碍并提出可落地的研究方向。

英文原文翻译（Markdown格式）

Abstract

随着大型语言模型（LLMs）和机器人技术的快速发展，服务机器人正日益成为日常生活的重要组成部分，在复杂环境中提供多样化服务。要智能高效地交付这些服务，强大且精准的任务规划能力至关重要。本文全面综述了LLMs与服务机器人的融合应用，重点关注其在提升机器人任务规划能力中的作用。首先，回顾了LLMs的发展历程和基础技术，包括预训练、微调、检索增强生成（RAG）和提示工程。接着，探讨了LLMs作为服务机器人认知核心（“大脑”）的应用，分析其如何提