Das Papier beschreibt DaTAPlan, ein Framework, das datengesteuerte Aufgabenantizipation mit wissensbasierter Planung für eine zuverlässige und effiziente Mensch-Roboter-Zusammenarbeit kombiniert.
Das Framework nutzt ein vortrainiertes Großsprachmodell (LLM), um eine Liste von antizipierten Aufgaben basierend auf wenigen Eingabeaufforderungen vorherzusagen. Ein klassischer Planer berechnet dann eine Sequenz von Feinsteuerungsaktionen, die der Agent und der Mensch gemeinsam ausführen, um diese antizipierten Aufgaben zu erfüllen.
Wenn die Aktionsauswahl, die Aktionsausgänge oder die Präferenzen des Menschen von den Erwartungen abweichen, passt sich der Agent automatisch an, indem er neu plant oder neue Aufgabenvorhersagen generiert.
Die Experimente zeigen, dass die Kombination von Aufgabenantizipation und Aktionsplanung die Effizienz deutlich verbessert, die Zusammenarbeit zwischen Mensch und Roboter zu einer effizienteren Zielerreichung führt und der Agent in der Lage ist, sich an unerwartete Änderungen anzupassen.
To Another Language
from source content
arxiv.org
Głębsze pytania