E2Map：基于经验与情绪地图及语言模型的自反思机器人导航
机器人学
2025-02-04 v4 人工智能
摘要
大型语言模型（LLMs）在指导具身智能体执行涵盖机器人操作和导航等一系列任务的语言指令方面展现出了巨大潜力。然而，现有方法主要针对静态环境设计，且未利用智能体自身的经验来改进其初始规划。鉴于现实环境本质上是随机的，仅基于 LLM 通用知识制定的初始计划可能无法实现其目标，这与静态场景不同。为了解决这一局限性，本研究引入了经验与情绪地图（E2Map），它不仅整合了 LLM 知识，还整合了智能体的现实世界经验，其灵感来源于人类的情绪反应。所提出的方法通过基于智能体的经验更新 E2Map 来实现一次性行为调整。我们在包括仿真和真实世界场景在内的随机导航环境中进行了评估，结果表明，与现有的基于 LLM 的方法相比，所提出的方法在随机环境中显著提升了性能。代码和补充材料可在 https://e2map.github.io/ 获取。
引用
@article{arxiv.2409.10027,
title = {E2Map: Experience-and-Emotion Map for Self-Reflective Robot Navigation with Language Models},
author = {Chan Kim and Keonwoo Kim and Mintaek Oh and Hanbi Baek and Jiyang Lee and Donghwi Jung and Soojin Woo and Younkyung Woo and John Tucker and Roya Firoozi and Seung-Woo Seo and Mac Schwager and Seong-Woo Kim},
journal= {arXiv preprint arXiv:2409.10027},
year = {2025}
}
备注
19 pages, 28 figures. Project page: https://e2map.github.io. Accepted to ICRA 2025