DaDu-E：重新思考大型语言模型在机器人计算管道中的作用
机器人学
2024-12-03 v1
摘要
在开放环境中执行复杂任务对机器人来说仍具有挑战性，即使使用大型语言模型（LLM）作为核心规划器。许多基于 LLM 的规划器效率低下，主要是参数数量庞大；并且由于 operates in open-loop systems，容易产生不准确的结果。我们认为原因在于仅将 LLM 作为规划器是不够的。在本文中，我们提出了 DaDu-E，一种为具身 AI 机器人设计的稳健闭环规划框架。具体而言，DaDu-E 配备了一个相对轻量级的 LLM、一组封装的机器人技能指令、一个稳健的反馈系统以及记忆增强。这些组件共同使 DaDu-E 能够（i）主动感知并适应动态环境，（ii）在保持高性能的同时优化计算成本，（iii）通过其记忆和反馈机制从执行失败中恢复。在真实世界和模拟任务上的大量实验表明，DaDu-E 在成功率上与使用更大模型作为规划器的具身 AI 机器人（如 COME-Robot）相当，同时将计算需求降低了 。用户可在 \url{https://rlc-lab.github.io/dadu-e/} 上了解我们的系统。
引用
@article{arxiv.2412.01663,
title = {DaDu-E: Rethinking the Role of Large Language Model in Robotic Computing Pipeline},
author = {Wenhao Sun and Sai Hou and Zixuan Wang and Bo Yu and Shaoshan Liu and Xu Yang and Shuai Liang and Yiming Gan and Yinhe Han},
journal= {arXiv preprint arXiv:2412.01663},
year = {2024}
}
备注
27 pages, 5 figures, submitted to JFR