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."