BTGenBot-2：基于小型语言模型的高效行为树生成
机器人学
2026-02-03 v1
摘要
近期机器人学习的进展越来越依赖于基于LLM的任务规划，利用其将自然语言与可执行动作桥接的能力。尽管先前的方法展示了卓越的性能，但将这些模型广泛应用于机器人领域仍面临挑战，因为1)现有方法常常是封闭源或计算密集，忽视实际部署在真实物理系统上的需求，以及2)尚无被普遍接受的、即插即用的数据表示用于机器人任务生成。针对这些挑战，我们提出了BTGenBot-2，这是一个10亿参数的开源小型语言模型，直接将自然语言任务描述和机器人动作原始列表转换为XML格式的可执行行为树。与先前方法不同，BTGenBot-2实现了零-shot行为树生成，支持推理和运行时的错误恢复，同时保持轻量级以适应资源受限的机器人。我们进一步引入了首个针对LLM-based行为树生成的标准化基准，覆盖NVIDIA Isaac Sim中的52个导航和操控任务。广泛的评估表明，BTGenBot-2在功能和非功能指标上均一致优于GPT-5、Claude Opus 4.1和更大的开源模型，在零-shot场景下实现90.38%的平均成功率，在一shot场景下达到98.07%，同时相较于前一代BTGenBot实现推理速度提升最高可达16倍。
引用
@article{arxiv.2602.01870,
title = {BTGenBot-2: Efficient Behavior Tree Generation with Small Language Models},
author = {Riccardo Andrea Izzo and Gianluca Bardaro and Matteo Matteucci},
journal= {arXiv preprint arXiv:2602.01870},
year = {2026}
}