DEXTER-LLM论文总结与关键部分翻译一、文章主要内容本文针对未知环境下多机器人系统在线协同面临的动态任务触发、规划过程缺乏可解释性等挑战，提出了一种名为DEXTER-LLM的新型框架，用于未知环境中的动态任务规划。该框架整合四大核心模块，有效结合大语言模型（LLMs）的开放世界推理能力与基于模型分配方法的最优性，同时解决在线适应性和可解释性问题，并通过实验验证了其优异性能。1. 核心模块功能任务理解模块（Mission Comprehension）：将自然语言或线性时序逻辑（LTL）公式指定的任务，转化为可验证的LTL公式，再通过非确定性 Büchi 自动机（NBA）的可接受路径抽象出任务，构建有向无环图（DAG），明确任务间的时序约束（如优先级、互斥关系）。在线子任务生成模块（Online Subtask Generator）：以任务集、全局场景描述、机器人描述和历史日志为输入，通过LLMs的多阶段推理（上下文分析、元策略调整、子任务引导、子任务序列生成），生成带有时序逻辑约束的可执行子任务，并编码为分层DAG，提升任务分解的准确性和可解释性。最优子任务分配与调度模块（Optimal Subtask Assigner and Scheduler）：结合分层DAG、环境状态（已探索地图）和系统状态（机器人状态、任务与特征分布），采用分支定界搜索与整数规划相结合的方法，在满足约束的