IMR-LLM: Industrial Multi-Robot Task Planning and Program Generation using Large Language Models

📄 arXiv: 2603.02669v1 📥 PDF

作者: Xiangyu Su, Juzhan Xu, Oliver van Kaick, Kai Xu, Ruizhen Hu

分类: cs.RO

发布日期: 2026-03-03

💡 一句话要点

IMR-LLM：基于大语言模型的工业多机器人任务规划与程序生成框架

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多机器人协作 任务规划 程序生成 大语言模型 工业自动化

📋 核心要点

  1. 工业场景下，多机器人协作任务具有严格的时序约束和复杂的依赖关系，对大语言模型的规划能力提出了挑战。
  2. IMR-LLM利用大语言模型辅助构建析取图，并结合确定性求解方法生成高效的任务计划，再通过过程树引导生成可执行程序。
  3. 实验结果表明，IMR-LLM在所提出的IMR-Bench基准测试中，各项评估指标均显著优于现有方法。

📝 摘要（中文）

现代工业生产中，多机器人协作完成复杂制造任务日益普遍。大语言模型（LLMs）凭借其强大的推理能力，在协调机器人完成简单的家庭和操作任务方面展现出潜力。然而，在工业场景中，更严格的顺序约束和任务内更复杂的依赖关系对LLMs提出了新的挑战。为了解决这个问题，我们提出了IMR-LLM，一种新颖的LLM驱动的工业多机器人任务规划和程序生成框架。具体来说，我们利用LLMs来辅助构建析取图，并采用确定性求解方法来获得可行且高效的高级任务计划。在此基础上，我们使用过程树来指导LLMs生成可执行的低级程序。此外，我们创建了IMR-Bench，这是一个具有挑战性的基准，涵盖了三个复杂程度的多机器人工业任务。实验结果表明，我们的方法在所有评估指标上都显著优于现有方法。

🔬 方法详解

问题定义：论文旨在解决工业场景下多机器人协作任务规划和程序自动生成的问题。现有方法难以处理工业任务中严格的时序约束和复杂的任务依赖关系，导致规划效率和程序质量不高。

核心思路：论文的核心思路是结合大语言模型的推理能力和确定性求解方法的精确性。首先利用LLM辅助构建析取图，将任务分解为可执行的步骤，并考虑步骤之间的依赖关系。然后，使用确定性算法在析取图上寻找最优的任务执行计划。最后，利用过程树指导LLM生成可执行的机器人程序。

技术框架：IMR-LLM框架主要包含三个阶段：1) 析取图构建：利用LLM分析任务需求，生成包含任务步骤和依赖关系的析取图；2) 任务规划：采用确定性求解器（如约束求解器或优化算法）在析取图上寻找最优的任务执行计划；3) 程序生成：基于任务计划，利用过程树指导LLM生成可执行的机器人程序。

关键创新：该方法结合了LLM的推理能力和确定性求解方法的精确性，能够有效地处理工业任务中复杂的约束和依赖关系。通过析取图的构建，将任务分解为可执行的步骤，并利用确定性算法寻找最优的任务执行计划，保证了规划的效率和质量。利用过程树指导LLM生成程序，提高了程序的可执行性和可靠性。

关键设计：过程树的设计是关键。过程树定义了程序生成的结构和流程，指导LLM按照预定的步骤生成程序。过程树的节点表示程序的不同部分，如初始化、运动规划、抓取等。过程树的边表示程序之间的依赖关系。LLM根据过程树的结构，逐步生成程序的各个部分，并保证程序之间的正确连接。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文提出了IMR-Bench基准测试，包含三个复杂程度的多机器人工业任务。实验结果表明，IMR-LLM在所有评估指标上都显著优于现有方法。具体性能数据未知，但摘要强调了“显著超越”，表明性能提升较为明显。

🎯 应用场景

IMR-LLM可应用于各种工业自动化场景，例如汽车制造、电子产品组装、物流仓储等。该方法能够显著提高多机器人协作任务的规划效率和程序质量，降低人工编程成本，加速工业自动化进程。未来，该研究可进一步扩展到更复杂的工业任务，例如柔性制造、智能装配等。

📄 摘要（原文）

In modern industrial production, multiple robots often collaborate to complete complex manufacturing tasks. Large language models (LLMs), with their strong reasoning capabilities, have shown potential in coordinating robots for simple household and manipulation tasks. However, in industrial scenarios, stricter sequential constraints and more complex dependencies within tasks present new challenges for LLMs. To address this, we propose IMR-LLM, a novel LLM-driven Industrial Multi-Robot task planning and program generation framework. Specifically, we utilize LLMs to assist in constructing disjunctive graphs and employ deterministic solving methods to obtain a feasible and efficient high-level task plan. Based on this, we use a process tree to guide LLMs to generate executable low-level programs. Additionally, we create IMR-Bench, a challenging benchmark that encompasses multi-robot industrial tasks across three levels of complexity. Experimental results indicate that our method significantly surpasses existing methods across all evaluation metrics.