文章总结与翻译一、文章主要内容本文聚焦大语言模型（LLM）在多智能体路径规划（MAPF）任务中表现不佳的问题，提出了名为LLM-NAR的新型框架，旨在提升LLM处理MAPF任务的能力。MAPF任务要求多个智能体从起始位置导航到目标位置，过程中需避免碰撞且尽量缩短移动时间，在仓库管理、群体控制等现实场景中至关重要。传统解决方法包括基于规则的规划算法（如冲突搜索CBS）和基于学习的策略（如强化学习、图神经网络GNN），但前者计算成本高，后者训练步骤多。而现有LLM在处理MAPF任务时，存在难以理解空间约束、难以制定协作策略等局限。LLM-NAR框架包含三个核心组件：MAPF专用LLM模块：设计了针对MAPF任务的提示交互策略，逐步向LLM输入场景描述（智能体当前位置、目标位置、文本地图等），并加入重置机制，当LLM连续多轮生成无效解或完成固定轮次任务后，以当前位置为新起点重启，避免信息丢失或决策偏差。基于GNN的神经算法推理器（NAR）：先利用CBS生成MAPF任务的最优路径数据，以此为专家策略预训练GNN。GNN通过CNN处理智能体观测数据得到特征向量，再借助图卷积聚合智能体间的关系信息，最终通过多层感知器（MLP）输出预测动作，有效捕捉地图空间结构与智能体间空间关系。交叉注意力机制：借鉴多模态任务中的融合思路，将LLM生成的令牌输出与GNN-NAR生成的图表示进行融合。训练时冻结LLM和预训练GNN-NAR的参数，仅优化该机制，通过最小化输出动作与CBS最