CAPE: Corrective Actions from Precondition Errors using Large Language Models

Core Concepts

提案されたCAPEアプローチは、前提条件エラーを解決するための修正アクションを生成し、実行可能な計画の品質と正確性を向上させることができます。

Abstract

LLMからの共通知識抽出により、知能ロボットの設計への道が開かれます。 CAPEは、前提条件エラーを解決するための修正アクションを提案し、生成された計画の品質を向上させます。 VirtualHomeでの実験では、CAPEは他のベースライン手法よりも優れた結果を示しました。 ロボットデモンストレーションでも、CAPEは最高の実行可能性と正確性を達成しました。 Introduction LLMから共通知識抽出への新しいアプローチであるCAPEが紹介されています。 CAPEは前提条件エラーから修正アクションを生成して計画品質を向上させます。 Method Plan Generation via Re-prompting: クローズドループ計画セットアップでエラーフィードバックを活用して生成された計画を修正します。 Baseline: Plan Generation via Re-sampling: 実行不可能な場合に再サンプリングして修正します。 Baseline: Plan Generation with SayCan: SayCanと比較しています。 Evaluation Metrics % Executability, % Correctness, % Affordability, % GS, LCSなどが使用されています。

Stats

CAPEは人間が作成した計画の正確性メトリック（% Correct）を49.63％まで改善しました。

Quotes

"CAPE improves the quality of generated plans by leveraging few-shot reasoning from action preconditions." "Our method's plans are also higher quality while requiring fewer Corrections than the Re-Sampling baseline."

Key Insights Distilled From

CAPE

by Shreyas Sund... at arxiv.org 03-12-2024

https://arxiv.org/pdf/2211.09935.pdf

Deeper Inquiries

どうやってLLMから共通知識が抽出されるか？

CAPE（Corrective Actions from Precondition Errors）は、大規模言語モデル（LLM）から共通知識を抽出する新しいアプローチです。この方法では、環境フィードバックから事前条件エラーを解析して、文脈情報を含む修正プロンプトを提供します。これにより、生成された計画の実行可能性と正確さが大幅に向上し、エージェントがアクションの失敗を解決できるようになります。 具体的には、CAPEは事前条件違反情報を補足的な入力として使用しており、環境フィードバックから暗黙的な単一モダリティ（言語）フィードバックだけで構成されています。しかし、他の作品（REFLECT [33] やDoReMi [30] など）では複数モダリティのフィードバックも利用しており、「オープンクエリ」スタイルで広範囲のエラータイプに対応することが可能です。