ROS 2における自然言語ロボットナビゲーションのための大規模言語モデルのレイテンシ認識ベンチマーキング

科学分野:

• ロボット工学と人工知能
• 人間とロボットの相互作用
• 自然言語処理

背景:

• モバイルロボットは、多くの場合、複雑なインターフェースに依存しており、非専門家ユーザーのアクセスを妨げています。
• 大規模言語モデル（LLM）を統合することは、より直感的で会話的なロボット制御への道を提供します。
• 既存のシステムには、特にレイテンシを考慮したLLM駆動ナビゲーションの包括的なベンチマーキングが欠けています。

研究 の 目的:

• 自然言語ロボットナビゲーションのためのレイテンシ認識ベンチマーキングフレームワークを開発および評価すること。
• ROS 2 Navigation 2スタック内でさまざまな最新のLLMとローカルプランナーのパフォーマンスを評価すること。
• LLMのサイズ、応答レイテンシ、ナビゲーション精度の間のトレードオフに関する洞察を提供すること。

主な方法:

• ROS 2 Nav2スタックに複数のLLMを統合したベンチマーキングフレームワークを開発しました。
• 標準化された屋内ナビゲーションシナリオのために、Gazebo FortressでTurtleBot4プラットフォームをシミュレートしました。
• LLM（例：GPT-4、Gemini 2.5、LLaMA-3.3）とローカルプランナー（DWB、TEB、RPP）をベンチマークし、レイテンシ、精度、パス品質、成功率を測定しました。

主要な成果:

• LLMのサイズ、応答レイテンシ、ナビゲーション精度の間の明確なトレードオフを実証しました。
• より小さなLLMはより速い応答を提供しましたが、空間推論能力は劣りました。
• より大きなLLMはより良いナビゲーション意図を示しましたが、レイテンシが高くなりました。
• 標準化されたタスクにおけるさまざまなLLMとプランナーの組み合わせの特定のパフォーマンス特性を特定しました。

結論:

• 提案されたフレームワークは、ROS 2内での自然言語ロボットナビゲーションのための再現可能で、複数のLLMおよび複数のプランナーによる評価を可能にします。
• この調査結果は、モバイルロボットのための直感的でレイテンシ効率の高い会話インターフェースの開発をサポートします。
• この研究は、よりアクセス可能で適応性の高いロボット制御システムの基盤を築きます。