基于群集ourced 自然语言指令、可组合技能标准化和大语言模型的建筑机器人通用技能学习

建筑工作的准重复性质以及随之而来的通用性不足导致了为建筑机器人编程的困难，这一问题持续阻碍了机器人在建筑行业的广泛采用。机器人无法实现通用能力，因为从一个领域学习的技能不能轻易地转移到另一个工作领域，也不能直接用于执行不同的任务集合。人类工人必须艰难地重新编程其场景理解、路径规划和操作组件，以便机器人执行替代工作任务。本文提出的方法通过 crowdsourced 在线自然语言指令直接教导机器人执行多样化任务技能，从而显著解决了这种重新编程负担。开发了大语言模型 (LLM)、标准化和模块化的分层建模方法，以及 Building Information Modeling-Robot sematic 数据管道，以解决多任务技能转移问题。所提出的技能标准化方案和 LLM 基于分层的技能学习框架通过在全尺寸工业机器人臂上进行长时程干洞安装实验进行测试。所得机器人任务学习方案实现了最小 effort 和高质量的多任务重新编程。