복잡하고 장기적인 로봇 작업 계획을 위한 다단계 분해 방법: 오픈 소스 대규모 언어 모델 활용

Kernkonzepte

본 연구는 오픈 소스 대규모 언어 모델의 제한된 추론 능력을 극복하기 위해 작업을 목표, 작업, 행동 단계로 단계적으로 분해하는 다단계 분해 작업 계획 방법을 제안한다.

Zusammenfassung

본 연구는 복잡하고 장기적인 작업 계획 문제를 해결하기 위해 다단계 분해 작업 계획 방법(MLDT)을 제안한다. MLDT는 작업을 목표, 작업, 행동 단계로 단계적으로 분해하여 오픈 소스 대규모 언어 모델의 제한된 추론 능력을 극복한다. 또한 목표 지향적 말뭉치 생성 방법을 통해 고품질의 학습 데이터를 구축하고, 이를 활용하여 언어 모델의 작업 계획 능력을 향상시킨다. 기존 데이터셋의 복잡도가 충분하지 않아 더 도전적인 LongTasks 데이터셋을 구축하여 복잡하고 장기적인 작업 계획 능력을 평가한다. VirtualHome 환경에서 다양한 언어 모델을 활용하여 실험한 결과, MLDT가 기존 방법 대비 우수한 성능을 보이며 복잡하고 장기적인 작업 계획 문제를 효과적으로 해결할 수 있음을 입증한다.

Statistiken

기존 데이터셋의 평균 작업 목표 수는 3.40-3.99개인 반면, LongTasks 데이터셋의 평균 작업 목표 수는 9.74개이다.
기존 데이터셋의 평균 최소 행동 단계 수는 26.27-27.02개인 반면, LongTasks 데이터셋의 평균 최소 행동 단계 수는 77.01개이다.
기존 데이터셋의 평균 상호작용 객체 수와 종류는 4.97-5.32개, 3.40-3.57개인 반면, LongTasks 데이터셋의 평균 상호작용 객체 수와 종류는 15.79개, 8.50개이다.

Zitate

"본 연구는 복잡하고 장기적인 작업 계획 문제를 해결하기 위해 다단계 분해 작업 계획 방법(MLDT)을 제안한다."
"MLDT는 작업을 목표, 작업, 행동 단계로 단계적으로 분해하여 오픈 소스 대규모 언어 모델의 제한된 추론 능력을 극복한다."
"기존 데이터셋의 복잡도가 충분하지 않아 더 도전적인 LongTasks 데이터셋을 구축하여 복잡하고 장기적인 작업 계획 능력을 평가한다."

Wichtige Erkenntnisse aus

MLDT

by Yike Wu,Jiat... um arxiv.org 03-28-2024

https://arxiv.org/pdf/2403.18760.pdf

Tiefere Fragen

제안된 MLDT 방법이 실제 로봇에 적용되었을 때 어떤 성능을 보일까

MLDT 방법이 실제 로봇에 적용되었을 때, 실험 결과는 매우 유망합니다. 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된 가정된