通过LLM生成的前提条件与子目标增强认知机器人

机器人在日常任务中常因指令省略诸如隐藏前提条件和小子目标等常识细节而失败。传统符号规划器需要这些细节被明确书写，这既耗时又常不完整。本项目将大型语言模型(LLM)与符号规划相结合。给定自然语言任务后，LLM会提出合理的前提条件和子目标。我们将这些建议转化为形式化规划模型并在仿真环境中执行。与本书基线规划器相比，本系统产生的计划更有效，任务成功率更高，在环境变化时也能更好地适应。这些结果表明，将LLM常识添加到经典规划中，能够使机器人在真实场景中的行为更加可靠。