Resumen: El surgimiento de los modelos de idiomas grandes (LLM) ha hecho que la planificación de rutas de lenguaje natural sea un área de investigación emergente que abarque los ricos objetivos del usuario. La investigación actual exhibe dos enfoques distintos: planificación de rutas directas utilizando estrategias de búsqueda de LLM como agentes y gráficos. Sin embargo, los LLM en el enfoque anterior luchan para manejar datos extensos de mapas, mientras que el segundo muestra una capacidad limitada en la comprensión de las preferencias del lenguaje natural. Además, un desafío más crítico surge de la distribución espacio-temporal altamente heterogénea e impredecible de usuarios en todo el mundo. En este documento, presentamos un nuevo sistema de planificación de rutas asistido por LLM (LLMAP) que emplea un LLM como-Parser para comprender el lenguaje natural, identificar tareas y extraer las preferencias del usuario y reconocer las dependencias de tareas, junto con una construcción de gráficos de varios pasos con algoritmo de búsqueda iterativa (MSGS) como la solución de ruta óptima. Nuestro enfoque de optimización de objetivos múltiples sintoniza adaptativamente los pesos objetivos para maximizar los puntos de interés (POI) y la tasa de finalización de la tarea al tiempo que minimiza la distancia de ruta, sujeto a tres restricciones clave: límites de tiempo del usuario, horas de apertura de POI y dependencias de tareas. Realizamos experimentos extensos utilizando 1,000 indicaciones de enrutamiento muestreadas con una complejidad variable en 14 países y 27 ciudades en todo el mundo. Los resultados demuestran que nuestro enfoque logra un rendimiento superior con garantías en múltiples limitaciones.
Publicado Originalme en export.arxiv.org El 16 de septiembre de 2025.
Ver Fuente Original
