查看“WikiEdge:ArXiv-2409.12262/background”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2409.12262/background|action=edit}} 编辑]</div>
这篇文献的背景主要集中在以下几个方面：
# '''大型语言模型（[[Large Language Models]]，LLMs）在规划领域的应用'''：
#* 大型语言模型（LLMs）通过自监督学习和自我注意力机制训练而成，已在自然语言处理（[[Natural Language Processing]]，NLP）和生成任务中展现出卓越的性能。
#* LLMs被用于[[机器人规划]]和[[具身智能体]]规划，它们能够编码关于世界的领域知识，对决策制定十分有用。
# '''现有方法的局限性'''：
#* 现有研究将LLMs作为任务规划器或任务目标生成器，但这些方法存在不足，因为它们要么依赖LLM进行实际规划，要么输出难以满足的目标。
#* 将LLM作为任务规划器会失去经典规划所保证的最优性和完备性；而将LLM作为任务描述生成器，则可能因缺乏具身性而无法生成可行的规划定义。
# '''对象级规划（[[Object-level Planning]]）的提出'''：
#* 为了克服现有方法的局限性，作者提出了一种新方法，通过从LLM中提取知识生成对象级规划，这些规划描述了对象状态的高层次变化，并用于以层次化的方式引导[[任务和运动规划]]（[[Task and Motion Planning]]，TAMP）。
#* 该方法提取LLM中的知识，形成称为[[功能面向对象网络]]（[[Functional Object-Oriented Networks]]，FOON）的对象级表示，自动生成[[PDDL]]子目标，从而继承了LLM的常识规划知识，同时支持健全且完整的任务级规划。
综上所述，这篇文献的背景强调了利用LLMs在规划领域中进行创新的可能性，以及通过对象级规划来提高规划质量和效率的必要性。