文章主要内容总结本文提出了一种名为LAN2CB（Language to Collective Behavior）的新型框架，旨在利用大语言模型（LLMs）简化和泛化多机器人协调流程。传统的多机器人协调依赖专家手动将自然语言任务描述转化为数学模型、算法和可执行代码，存在耗时、非专家难以使用、对任务需求变化适应性差等问题。LAN2CB通过两个核心模块解决这些问题：任务分析（Mission Analysis）：将自然语言任务描述解析为行为树（behavior trees），明确任务分解、依赖关系、机器人分配、约束条件等；代码生成（Code Generation）：基于行为树和结构化知识库，生成机器人控制的可执行Python代码，包括执行逻辑、触发条件、任务完成条件和全局任务完成条件。此外，本文还构建了一个自然语言任务描述数据集，用于支持框架开发和基准测试。仿真和现实环境中的实验表明，LAN2CB能从自然语言生成稳健灵活的多机器人协调逻辑，显著减少手动工程成本，并能泛化到多种任务类型。文章创新点提出LAN2CB框架：首次将大语言模型与行为树、结构化知识库结合，实现从自然语言到多机器人集体行为代码的端到端转换，解决传统流程的 labor-intensive、非专家不可用、灵活性差等问题。构建专属数据集：设计了多机器人协调任务的自然语言描述数据集，填补了