Jun, 2024

展望更远：测试 GPT-4 在路径规划中的极限

PDF
TL;DR大型语言模型（LLMs）在各种任务中展示了令人印象深刻的能力，然而它们仍然面临着长期规划的挑战。为了研究这一点，我们提出了路径规划任务作为评估 LLMs 在几何约束下导航长轨迹能力的平台。我们的基准测试系统地测试了复杂环境中的路径规划技能。使用这个基准测试，我们使用各种任务表示和提示方法来研究 GPT-4 的规划能力。我们发现将提示框架化为 Python 代码，并对长期轨迹任务进行分解可以提高 GPT-4 的路径规划效果。然而，尽管这些方法在改善模型的规划能力方面显示出一些希望，但它们不能获得最优路径，并且无法在较长时间范围内进行泛化。
large language modelspath planninglong-horizon planninggpt-4trajectory tasks
发现论文，激发创造
  • 大型语言模型能成为良好的路径规划器吗？空间 - 时间推理的基准和研究调查

    大型语言模型在路径规划和空间推理方面取得了显著的成功，少样本的 GPT-4 通过不同的提示方法在空间推理方面表现出了潜力，而微调的 LLMs 则在小环境或有障碍物的情况下难以推广。

    Oct, 2023

  • 关于大语言模型的规划、搜索和记忆能力

    通过对 GPT-4 在规划子领域中的表现进行全面检查，我们鉴定了大型语言模型在解决规划问题方面的优势和限制，并提出了改进领域特定大型语言模型的思维链能力的方法。这些结果为大语言模型在规划领域的潜在应用提供了宝贵的见解，并为未来的研究克服其限制和拓展其能力铺平了道路。

    Sep, 2023

  • 学习在场景图上推理：将 GPT-2 微调为机器人语言模型，用于基于场景的任务规划的案例研究

    本文研究了如何通过 GPT-2 等大型语言模型将人类请求转化为机器人可执行的计划，并探讨了 LLM 的长期任务规划的适用性和通用性，结果表明 LLM 可有效地执行长期任务规划，展示了神经符号规划方法在机器人领域的应用前景。

    May, 2023

  • 基于算法问题的 GPT-4 评测：对提示策略的系统评估

    GPT-4 在具有可控问题难度的三个算法任务中通过先进的提示技术展现了优越的准确性，证明了先进的大型语言模型在需要系统化泛化的挑战性任务中具备很强的基准性能。

    Feb, 2024

  • 使用预训练大型语言模型进行 PDDL 领域的广义规划

    本研究考察了大型语言模型是否可作为广义规划器，提供域和训练任务后，生成一个能够有效产生其他任务规划的程序。实验使用 PDDL 领域和 GPT-4 来合成 Python 程序，并考虑了 CoT 摘要和自动调试。研究发现，GPT-4 是一个出乎意料的功能强大的广义规划器，且自动调试非常重要，而 CoT 摘要影响不均。

    May, 2023

  • 审慎行事：揭示 GPT-4V 在机器人视觉语言规划中的能量

    我们介绍了一种名为 Robotic Vision-Language Planning (ViLa) 的新方法，该方法结合了视觉 - 语言模型和长期规划，通过直接整合感知数据来生成可行步骤序列，以在广泛的开放世界操纵任务中展示其优势。

    Nov, 2023

  • 探索和基准测试大型语言模型的规划能力

    提高大型语言模型的规划能力，研究领域包括基于上下文学习、微调，以及在未知领域的性能评估。

    Jun, 2024

  • GPT 司机：用 GPT 学习驾驶

    我们提出了一种简单而有效的方法，可以将 OpenAI GPT-3.5 模型转化为可靠的自动驾驶车辆动作规划器。

    Oct, 2023

  • 语言模型作为零样本轨迹生成器

    大型语言模型（LLMs）已经显示出在机器人方面作为高级规划器的潜力，但通常假设 LLMs 在低级轨迹规划方面不具备足够的知识。本文深入探讨了这个假设，研究了当 LLM（GPT-4）只有对象检测和分割视觉模型的访问权限时，是否可以直接预测操作技能的密集序列的末端执行器姿态。我们研究了一个单一的任务无关提示在 26 个真实世界的基于语言的任务上的表现，比如 “打开瓶盖” 和 “用海绵擦拭盘子”，并调查了这个提示中哪些设计选择是最有效的。我们的结论打破了 LLMs 在机器人领域的假设限制，首次揭示了 LLMs 确实具备在常见任务中理解低级机器人控制的能力，并且它们还可以检测到失败并相应地重新规划轨迹。

    Oct, 2023

  • 从词语到路线：应用大型语言模型于车辆路径规划

    LLMs 在车辆路径问题的自然语言任务描述中显示出令人印象深刻的进展，在这项工作中，我们通过构建数据集、评估 LLMs 的性能以及提出自反思的框架，研究了 LLMs 解决车辆路径问题的能力和敏感性。

    Mar, 2024