本研究は、オープンワールドの家庭環境におけるロボットタスク計画の問題に取り組んでいます。既存の手法は、オブジェクトの属性を明示的に追跡できず、長期的なタスクでは誤った判断を下してしまうか、高度に設計された状態表現に依存しているため、汎用性が低いという課題がありました。
提案手法では、大規模言語モデルの文脈理解と行動推論の能力を活用して、オブジェクトの属性を自動的に拡張・更新する新しい状態表現を提案しています。この状態表現は、オブジェクトの属性の包括的な記録を維持し、過去の行動履歴を要約することで、文脈理解を向上させ、長期的なタスク計画を強化します。
実験では、シミュレーション環境とリアルロボットシステムの両方で提案手法の有効性を検証しました。提案手法は、ベースラインと比較して、長期的なタスクにおいて大幅な性能向上を示しました。これは、提案する状態表現が、オブジェクトの属性の追跡と、失敗の原因分析を通じて、大規模言語モデルの意思決定を大幅に改善したことによるものです。
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Siwei Chen,A... at arxiv.org 04-23-2024
https://arxiv.org/pdf/2311.17406.pdfDeeper Inquiries