InterPreT: 基于语言反馈的交互式谓词学习实现可泛化任务规划
机器人学
2024-05-31 v1
摘要
学习抽象状态表示和知识对于长期机器人规划至关重要。我们提出了InterPreT，一个基于LLM的框架，使机器人能够在具身交互过程中从非专家人类语言反馈中学习符号谓词。学习到的谓词提供了环境状态的关系抽象，有助于学习捕捉动作前提和效果的符号算子。通过将学习到的谓词和算子即时编译成PDDL领域，InterPreT允许使用PDDL规划器对任意域内目标进行有效规划。在模拟和真实世界的机器人操作域中，我们证明InterPreT能够可靠地揭示控制环境动态的关键谓词和算子。尽管从简单的训练任务中学习，这些谓词和算子对复杂度显著更高的新任务表现出强大的泛化能力。在最具挑战性的泛化设置中，InterPreT在模拟中达到73%的成功率，在真实世界中达到40%，显著优于基线方法。
引用
@article{arxiv.2405.19758,
title = {InterPreT: Interactive Predicate Learning from Language Feedback for Generalizable Task Planning},
author = {Muzhi Han and Yifeng Zhu and Song-Chun Zhu and Ying Nian Wu and Yuke Zhu},
journal= {arXiv preprint arXiv:2405.19758},
year = {2024}
}
备注
RSS 2024; https://interpret-robot.github.io