Anticipate & Act：集成 LLM 与经典规划以提高家庭环境中任务执行效率
机器人学
2025-02-05 v1 计算与语言
机器学习
摘要
执行家庭任务（如整理床铺或烹饪早餐）的助理智能体通常逐个计算并执行动作以完成单个任务。然而，通过预见即将到来的任务并计算实现这些任务的联合动作序列可提高效率。当前用于任务预见的方法基于数据驱动的深度网络和大型语言模型（LLM），但它们在高层次任务水平上工作或需要大量训练样本。我们的框架通过 LLM 的通用知识利用少量提示实现高层次任务预见，将预见的任务作为经典规划系统中的目标，以计算细粒度动作序列以联合实现这些目标。我们在 VirtualHome 环境中进行了真实场景的 grounding 与评估，证明相较于不考虑即将到来的任务的系统，我们的方法执行时间缩短了 31%。
引用
@article{arxiv.2502.02066,
title = {Anticipate & Act : Integrating LLMs and Classical Planning for Efficient Task Execution in Household Environments},
author = {Raghav Arora and Shivam Singh and Karthik Swaminathan and Ahana Datta and Snehasis Banerjee and Brojeshwar Bhowmick and Krishna Murthy Jatavallabhula and Mohan Sridharan and Madhava Krishna},
journal= {arXiv preprint arXiv:2502.02066},
year = {2025}
}
备注
Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2024