摘要

本文介绍了一种名为LLM-A的新型路径规划方法，该方法结合了大型语言模型（LLMs）的全局推理能力和传统A算法的精确路径查找能力。LLM-A旨在提高路径规划的效率，特别是在大规模场景中，同时保持路径的有效性。通过集成LLMs的洞察力和A算法的确定性保证，LLM-A*解决了传统算法在状态空间增长时的计算和内存效率问题，以及LLMs在复杂空间和时间推理任务中的不足。

原理

LLM-A算法通过利用LLMs生成的目标状态（作为路径点）来指导路径搜索过程，显著减少了访问状态的数量，从而降低了操作和存储需求。该算法在A的基础上引入了LLMs的启发式值，通过动态调整启发式值来优化搜索方向，确保路径的有效性。这种结合了LLMs全局洞察和A*局部搜索机制的方法，不仅提高了搜索效率，还保持了路径的最优性。

流程

LLM-A的工作流程包括初始化、搜索和路径重建三个主要步骤。首先，算法将起始节点放入OPEN列表，并初始化CLOSED列表为空。在搜索阶段，算法持续选择OPEN列表中具有最低f成本的节点，扩展其邻居，并更新它们的成本。如果邻居节点提供了比之前记录的更便宜的路径，则更新其成本和父节点。重复此过程，直到达到目标节点或OPEN列表为空。最后，一旦达到目标节点，通过回溯父节点重建路径。LLM-A在搜索过程中利用LLMs生成的路径点来指导搜索方向，确保搜索过程更加高效和准确。

应用

LLM-A算法适用于广泛的机器人和自主导航任务，特别是在需要处理大规模复杂环境的情况下。由于其结合了LLMs的全局推理能力和A的精确路径查找能力，LLM-A*在提高路径规划效率的同时，保持了路径的有效性。这使得该算法在自动驾驶、工业自动化和虚拟环境导航等领域具有广泛的应用前景。