基于大型语言模型的多无人机任务规划方法
该研究提出了一种将人类专业知识和 LLM 结合的任务规划方法,通过逐步分解任务并生成任务树来减少每个任务的计划量,并设计了一种策略来分离机器任务计划,从而使任务计划过程更加灵活。
Jun, 2023
通过提出多维任务提示学习方法(MTPrompt),将更多的任务相关信息嵌入提示中,以激发大型语言模型中嵌入的知识,从而实现在少样本和五个不同数据集上取得最佳结果,并在不同实验设置和削减实验中展示了该方法的有效性和稳定性。
Dec, 2023
一个互动机器人框架可以完成长期任务规划,并能在执行过程中轻松推广到新目标或不同任务。通过语言模型实现了高级规划和低级功能执行的系统,实现了对未知目标的新颖高级指令的生成,并通过仅替换任务指南来适应不同任务,而无需复杂的提示工程。此外,当用户发送新请求时,系统能够根据新请求、任务指南和先前执行步骤精确地重新规划。
Oct, 2023
本研究提出了一种名为 DKPROMPT 的新型任务规划与执行框架,通过在 PDDL 中使用领域知识自动化 VLM 提示,实现在开放世界中进行经典规划,结果显示 DKPROMPT 在任务完成率方面优于传统规划、纯 VLM 和其他几个竞争基线。
Jun, 2024
在这篇论文中,我们提出了一种名为 RePrompt 的新方法,通过从与 LLM 代理的交互中获取的聊天记录,逐步优化 LLM 代理的提示,从而使 LLM 在特定领域中学会规划,我们在 PDDL 生成和旅行规划的实验中证明了我们的方法可以提高不同推理任务的性能。
Jun, 2024
本文旨在为多语言学习提供潜在的架构改进,通过开发一种名为 Polyglot Prompting 的学习框架,利用提示方法为不同的语言和任务学习一个统一的语义空间进行多语言多任务基于提示的学习,以实现跨语言的互助和更全面的实验评估,开创了未来多语言研究的新方向。
Apr, 2022
通过引入一个有效的框架,从多任务的专家轨迹中学习使用多模式提示进行机器人操作,我们在 VIMA-BENCH 上评估了方法的功效,并建立了一个新的最先进水平(成功率提高了 10%)。此外,我们还展示了我们的模型具有显著的情境学习能力。
Oct, 2023
提出了一种基于 behavior tree 和大型语言模型的任务生成方法,该方法支持跨领域和自动生成任务,仅需要描述抽象期望任务即可快速生成行为树。
Feb, 2023
通过使用语言模型提示,我们提出了新一代机器人可以通过使用机器人模态语言模型(MLM)单独独立地与特定的机器人模态进行通信。一个中央任务模态通过大型语言模型(LLM)中介整个通信过程以执行机器人任务。我们将这种新的机器人设计模式命名为 Prompting Robotic Modalities(PRM),并在一个新的机器人框架 ROSGPT_Vision 中应用了这种 PRM 设计模式。ROSGPT_Vision 通过仅使用两个提示(一个视觉提示和一个 LLM 提示)来执行机器人任务,实现了处理视觉数据、做出明智决策和自动执行操作的能力。
Aug, 2023