การควบคุมกลุ่มหุ่นยนต์ให้เคลื่อนที่ผ่านพื้นที่แคบหรือมีสิ่งกีดขวางจำนวนมากมักประสบปัญหาเรื่องความซับซ้อนในการตัดสินใจว่าเมื่อใดควรปรับเปลี่ยนรูปร่าง (Deformation) หรือเมื่อใดควรแยกกลุ่มและรวมกลุ่มใหม่ (Reconfiguration) งานวิจัยนี้จึงนำเสนอ EFLUX ซึ่งเป็นเฟรมเวิร์กที่ใช้ LLM เป็นตัวขับเคลื่อนการตัดสินใจ
EFLUX ทำงานโดยการดึงข้อมูลโครงสร้างของสภาพแวดล้อมออกมา แล้วใช้ LLM ในการวิเคราะห์และตัดสินใจเลือกกลยุทธ์การเคลื่อนที่ เช่น การย่อขนาด การบิดรูปขบวน หรือการแยกกลุ่มหุ่นยนต์ออกจากกันเพื่อผ่านช่องแคบ จากนั้นระบบจะแปลงแผนการทำงานเหล่านี้เป็นจุดหมาย (Waypoints) สำหรับหุ่นยนต์แต่ละตัวผ่านกระบวนการตรวจสอบและแก้ไขความถูกต้องแบบวนซ้ำ (Closed-loop pipeline)
จากการทดสอบทั้งในโปรแกรมจำลองและฮาร์ดแวร์จริง พบว่า EFLUX ช่วยลดเหตุการณ์หุ่นยนต์ติดขัด (Deadlock) และความล้มเหลวในการนำทางได้อย่างมีนัยสำคัญ เมื่อเทียบกับวิธีการควบคุมแบบเดิมที่ใช้กฎเกณฑ์คงที่ (Rule-based approaches)
