从人类指令生成行为树：整合意图理解与最优行为规划
人工智能
2024-06-28 v2 人机交互
机器人学
摘要
在家庭或工业环境中执行人类指令的机器人本质上需要具备可适应性和可靠性。由于其模块化和响应性，行为树（Behavior Tree, BT）成为这些场景的合适控制架构。然而，现有的行为树生成方法要么不涉及自然语言解释，要么无法对行为树的成功性进行理论保证。本文提出了一个两阶段框架用于行为树生成，首先采用大语言模型（LLM）从高层指令中解释目标，然后通过最优行为树扩张算法（Optimal Behavior Tree Expansion Algorithm, OBTEA）构建高效的目标特定行为树。我们将目标表示为一阶逻辑中 well-formed formula，从而有效地桥接了意图理解与最优行为规划之间的关系。服务机器人上的实验验证了LLM在生成语法正确且准确解释目标方面的专业能力，证明了OBTEA在各种指标上优于基线行为树扩展算法，并最终确认了本框架在实际部署中的可行性。项目网站为 https://dids-ei.github.io/Project/LLM-OBTEA/。
引用
@article{arxiv.2405.07474,
title = {Integrating Intent Understanding and Optimal Behavior Planning for Behavior Tree Generation from Human Instructions},
author = {Xinglin Chen and Yishuai Cai and Yunxin Mao and Minglong Li and Wenjing Yang and Weixia Xu and Ji Wang},
journal= {arXiv preprint arXiv:2405.07474},
year = {2024}
}