GRACE：结合 LLM 与人类解释生成符合社会规范的机器人动作

在人类环境中操作时，机器人需要处理复杂任务，同时既要遵守社会规范又要适应个人偏好。例如，基于常识知识，家庭机器人可以预测其应避免在社交聚会期间吸尘，但仍可能不确定应在客人到来之前还是之后吸尘。在这种情况下，将常识知识与人类偏好（通常通过人类解释传达）相结合是基础，但对现有系统而言是一项挑战。在本文中，我们介绍了 GRACE，一种在生成符合社会规范的机器人动作的同时解决这一问题的新方法。GRACE 利用来自 LLM 的常识知识，并通过生成网络将此知识与人类解释相结合。GRACE 的双向结构使机器人能够利用人类解释来改进和增强 LLM 预测，并使机器人能够为人类指定的动作生成此类解释。我们的评估表明，结合人类解释提升了 GRACE 的性能，其优于多个基线并提供了合理的解释。