面向长期机器人任务规划的灵活建构性反思框架（FCRF）
机器人学
2025-09-17 v2 人工智能
摘要
自主错误纠正对于 domestic 机器人实现复杂长期任务的可靠执行至关重要。先前的工作探索了大型语言模型（LLM）用于任务规划错误纠正的自反思机制;然而，现有方法受限于僵化的自反思机制，限制了其有效性。受这些限制启发并受到人类认知适应性的启发，我们提出了灵活建构性反思框架（FCRF），一种新的 Mentor-Actor 架构，使 LLM 能够基于任务难度进行灵活的自反思，同时以建构性方式整合历史宝贵经验与失败教训。我们在 AlfWorld 中的仿真和真实环境中的物理部署中对 FCRF 进行了评估。实验结果表明，FCRF 在复杂长期机器人任务中显著提高了整体性能和自反思灵活性。
引用
@article{arxiv.2507.14975,
title = {FCRF: Flexible Constructivism Reflection for Long-Horizon Robotic Task Planning with Large Language Models},
author = {Yufan Song and Jiatao Zhang and Zeng Gu and Qingmiao Liang and Tuocheng Hu and Wei Song and Shiqiang Zhu},
journal= {arXiv preprint arXiv:2507.14975},
year = {2025}
}
备注
8 pages, 6 figures, IROS 2025