แนวคิดหลัก
Eine neuartige Methode zur Durchführung adaptiver Roboteraufgaben durch automatische Erstellung und dynamische Erweiterung von Verhaltensbäumen unter Verwendung Großer Sprachmodelle.
บทคัดย่อ
Die vorgeschlagene Methode LLM-BT kombiniert Große Sprachmodelle (LLMs) und Verhaltensbäume (BTs), um adaptive Roboteraufgaben zu ermöglichen.
Zunächst verwendet das Reasoning-Modul ChatGPT, um basierend auf Benutzereingaben und Informationen aus einer semantischen Karte beschreibende Schritte für die Aufgabe zu generieren. Das Parser-Modul nutzt dann ein BERT-basiertes LLM, um Schlüsselwörter aus den Beschreibungen zu extrahieren und einen initialen BT zu konstruieren.
Anschließend erweitert der BTs Update-Algorithmus den initialen BT dynamisch, indem er neue Aktionen hinzufügt und deren Priorität anpasst, um auf Umgebungsänderungen zu reagieren. Im Vergleich zu anderen LLM-basierten Methoden für komplexe Roboteraufgaben bietet LLM-BT so eine höhere Anpassungsfähigkeit an äußere Störungen.
Die Experimente in Cargo-Sortierung und Haushaltsservice zeigen, dass LLM-BT Roboter in die Lage versetzt, adaptive Aufgaben trotz zufälliger Störungen erfolgreich auszuführen.
สถิติ
Die Erfolgsquote der Cargo-Sortierung lag bei etwa 85%.
Die Erfolgsquote des Haushaltsservice lag bei etwa 75%.
คำพูด
"LLM-BT outputs variable BTs that can add and execute new actions according to environmental changes, which is robust to external disturbances."
"Compared to other LLM-based methods for complex robotic tasks, we have two advantages: Adaptability and Modularity."