CoPAL: 机器人动作的修正规划与大型语言模型
我们展示了使用 LLMs 解决机器人动作规划问题的实验结果。与其它方法不同,我们的方法通过自然语言推理获取任务和场景对象的文本描述,并输出坐标级控制命令,从而减少中间表示代码作为策略的必要性。我们的方法在多模态提示仿真基准上进行评估,证明了自然语言推理改善成功率的潜力,并展示了利用自然语言描述将机器人技能从已知任务转移到以前未见任务的可能性。
Mar, 2024
我们提出了一种新颖的多机器人协作方法,利用预训练的大型语言模型(LLMs)进行高层通信和低层路径规划,通过机器人之间的交流和集体推理任务策略,并生成子任务计划和任务空间路径,应用于多臂运动规划,以加速轨迹规划,并在环境中提供反馈,如碰撞检测,以促使 LLM 代理改进其计划和路径点。我们提出了 RoCoBench,一个包含六个任务的广泛多机器人协作场景的基准测试,伴随着一个纯文本数据集用于代理表示和推理。我们在实验证明了我们方法的有效性 - 它在 RoCoBench 的所有任务上都取得了高成功率,并且能够适应任务语义的变化。我们的对话设置提供了高度的可解释性和灵活性 - 在真实世界的实验中,我们展示了 RoCo 可以轻松地与人工智能交互,用户可以与机器人代理合作完成任务。请参考项目网站以观看视频和获取代码。
Jul, 2023
通过使用基于大型语言模型的规划器,我们克服了当前固定技能集的限制,提出了一种用于数据和时间高效教授机器人这些技能的方法,该系统可以重复使用新习得的技能,展示了开放世界和终身学习的潜力。
Sep, 2023
该研究提出了一种名为 COWP 的新框架,该框架利用预先训练的大型语言模型,动态地增加任务指向的常识知识,以应对开放式世界中的任务计划和情况处理,该方法在服务任务的成功率方面优于现有方法。
May, 2023
该论文介绍了一种利用大型语言模型(LLM)进行自主机器人操纵的新方法,通过逻辑推理将高层语言命令转化为可执行的运动函数序列。所提出的系统将 LLM 的优势与基于 YOLO 的环境感知相结合,使机器人能够根据给定的命令自主做出合理的决策和任务规划。此外,为了解决 LLM 可能出现的不准确性或不合逻辑的行为,采用了远程操作和动态运动原理(DMP)的组合进行行为校正。这种融合旨在提高 LLM 基础的人机协作系统的实用性和通用性。
Aug, 2023
提出了一种名为 DELTA 的新型 LLM 驱动的任务规划方法,通过将环境拓扑图作为 LLM 中的环境表示,以快速生成精确的规划问题描述;同时利用 LLM 将长期任务目标分解为自回归的子目标序列,以供自动化任务规划器解决;该方法提供了更高效且完全自动化的任务规划流程,实现了比现有技术更高的规划成功率和显著缩短的规划时间。
Apr, 2024
本文介绍了基于 Monte Carlo 搜索算法的新型大语言模型推理框架 RAP,利用其上的世界模型进行计划生成和复杂推理。从多个任务测试中,RAP 在效率和准确率上都超过了 Chain-of-Thought 等现有方案。
May, 2023
通过提出交互式机器人行动规划方法,利用大型语言模型(LLM)进行分析并向人类提问以获取缺失信息,以减少生成精确机器人指令的设计成本,并通过烹饪任务的具体示例证明了方法的有效性,同时揭示了对 LLM 的机器人行动规划的挑战,如提问与问题相关性不高以及未经询问而假设关键信息,为将 LLM 应用于机器人学方面的未来研究提供了有价值的见解。
Aug, 2023