WikiEdge:ArXiv-2409.12262/methods

編輯

這篇文獻的工作部分詳細介紹了如何利用大型語言模型（LLM）來引導任務和運動規劃（TAMP）。以下是這部分的主要內容：

1. 大型語言模型（LLM）：
   • 介紹了LLM作為複雜神經網絡模型，通過自監督學習和自注意力機制進行訓練，表現出在自然語言處理（NLP）任務中的卓越性能。
2. 任務和運動規劃（TAMP）：
   • 描述了TAMP的目標，即將高層符號任務規劃與低層運動規劃相結合，以使機器人能夠解決複雜的長期任務。
3. 對象級規劃（Object-level Planning）：
   • 提出了對象級規劃的概念，它使用功能對象導向網絡（FOON）作為知識圖譜表示，描述對象-動作關係，並專注於對象如何組合以產生新對象。
4. 從LLM到對象級規劃（LLM-to-OLP）：
   • 描述了如何通過兩階段過程使用LLM生成對象級規劃（OLP），包括從自然語言提示中生成自然語言指令序列，然後將其轉換為FOON表示的對象級計劃。
5. 從對象級到任務級規劃（Object-level to Task-level Planning）：
   • 討論了如何將對象級動作轉換為PDDL問題定義，並使用預定義的機器人技能或操作符搜索可執行的機器人任務計劃。
6. 從任務級到運動級規劃（Task-level to Motion-level Planning）：
   • 說明了如何使用運動級規劃找到無衝突的機器人運動，以解決機器人技能的效果。
7. 實驗設置和評估：
   • 描述了在模擬環境中進行的實驗，包括使用Franka Emika Panda機器人完成各種任務，並評估了提出的方法與其他基線方法的性能。