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

该研究论文介绍了如何将大型语言模型用于编写机器人策略代码，并达成具有几何空间推理能力、可自主创新、精确且具备行为常识的策略，同时提供了对多个真实机器人平台进行演示和基准测试的代码和视频。

Sep, 2022

本篇论文介绍了一种全学习的层次化框架，可以同时学习低层控制器和高层潜在动作空间，并对多个机器人的运动进行泛化，并利用其学习的高级动力学模型，通过模型预测控制方法计划连续潜在动作，成功实现了多个任务和两个模拟器上的优越表现，并将其与基于反向运动学（IK）的运动规划方法进行比较。在 Daisy 六足机器人实验上，表现出了很好的稳健性和样本效率。

Aug, 2020

本文提出了一种新颖的方法，即通过利用大型语言模型 (LLMs) 定义奖励参数，从而优化和实现各种机器人任务，并结合实时优化器 MuJoCo MPC，使用户可以交互地创造行为并快速获得结果反馈。作者在一个模拟仿真机器人四足动物和一种机械手进行了 17 个任务的评价，证明了这种方法成功解决了 90% 的任务，并在真实机器人手臂上验证了方法的有效性，包括非握持推动等复杂操作技能。

Jun, 2023

通过将代码集成到大型语言模型的训练数据中，可以提高语言模型的代码生成能力、推理能力以及生成结构化和精确的中间步骤，并将其转化为智能代理在复杂自然语言任务中的应用。

Jan, 2024

通过使用语言动作，桥接任务和动作，实现从人类介入中学习的灵活策略，并展示了这些策略在多任务数据集上的鲁棒性和灵活性。

Mar, 2024

利用大型语言模型 (LLMs) 和分层控制框架，在多智能体机器人系统中解决死锁问题，通过分配领导者和移动方向的方式，以 LLMs 为基础的高层规划帮助解决 MRS 中的死锁问题。

Apr, 2024

使用自然语言隐式指令作为复杂动作的表达和组合，而不是直接选择微操作，本文基于 76,000 个自然语言指令和操作的数据集在实时策略游戏环境中训练模型，结果表明使用自然语言作为潜变量的模型在动作表达中的有效性显著优于直接模仿人类动作的模型，并且语言的组合结构对其有效性具有关键作用。同时提供了代码、模型和数据。

Jun, 2019

本文探讨了利用潜在动作来提高人类对辅助机器人的远程操纵效率的问题，并设计了一种基于任务示范的远程操纵算法，该算法通过提出的控制性，一致性和可伸缩性原则来评估不同的低维度嵌入，并进行了两个用户研究来验证性能。研究结果表明，利用潜在动作的辅助机器人的远程操纵效率更高，也更易于使用。

Sep, 2019

通过将 LLMs 视为分层策略，解放其创造力，通过在上下文学习的方式探索多种多样的问题解决策略，我们提出了一种有效的、高效的基于比赛的方法来选择探索的解决方案组，从而提高了在 MATH 数据集中具有挑战性问题的最终答案的准确性。

Nov, 2023