CAPE：基于大语言模型从前置条件错误中生成纠正动作
人工智能
2024-03-12 v3 计算与语言
机器学习
机器人学
摘要
从大语言模型（LLM）中提取常识知识为设计智能机器人提供了一条途径。现有利用LLM进行规划的方法在动作失败时无法恢复，往往重复尝试失败的动作，而不解决错误的根本原因。我们提出一种新方法（CAPE），试图在规划过程中提出纠正动作以解决前置条件错误。CAPE通过利用来自动作前置条件的少样本推理提升了生成计划的质量。我们的方法使具身智能体能够执行比基线方法更多的任务，同时确保语义正确性并最小化重新提示。在VirtualHome中，CAPE生成可执行的计划，同时将人工标注的计划正确性指标从SayCan的28.89%提升至49.63%。我们的改进迁移至一台初始化了一组技能（以语言指定）及关联前置条件的Boston Dynamics Spot机器人，其中CAPE相比SayCan将已执行任务计划的正确性指标提升了76.49%。我们的方法使机器人能够遵循自然语言指令并从失败中稳健恢复，而基线方法大多无法解决或低效处理此类问题。
引用
@article{arxiv.2211.09935,
title = {CAPE: Corrective Actions from Precondition Errors using Large Language Models},
author = {Shreyas Sundara Raman and Vanya Cohen and Ifrah Idrees and Eric Rosen and Ray Mooney and Stefanie Tellex and David Paulius},
journal= {arXiv preprint arXiv:2211.09935},
year = {2024}
}
备注
17 pages, 6 figures, accepted at ICRA 2024