探究索克拉提式思维链推理方法在机器人任务规划中的有效性：案例研究
机器人学
2025-03-12 v1 人工智能
摘要
大型语言模型（LLM）在自然语言推理方面展现了前所未有的能力。紧随其后的是具身人工智能在机器人中的出现。尽管表现出为 verbal 和 written 推理任务的潜力，但 LLM 是否能够在真实世界中导航复杂的空间任务以物理动作形式仍未知晓。为此，有兴趣调查将 LLM 应用于机器人，尤其是在零样本学习场景中，以及在无需微调的情况下，这一做法将显著提升人机交互，减轻计算成本，并消除机器人任务中低层编程的关联。为探索此问题，我们将 GPT-4(Omni) 与 Webots 引擎中的模拟 Tiago 机器人一起用于对象搜索任务。我们评估了三种基于链式思维（CoT）子任务列表生成的推理策略，其中包括运用索克拉方法的 CoT（SocraCoT）（按递增严谨性排序）：（1）非 CoT/非 SocraCoT、（2）仅 CoT、（3）SocraCoT。我们的初步结果表明，结合链式思维推理后，索克拉方法可用于代码生成，以完成需要空间感知能力的机器人任务。基于此发现，我们提出了 EVINCE-LoC；一种修改后的 EVINCE 方法，可进一步提升在高度复杂和/或动态测试场景中的性能。
引用
@article{arxiv.2503.08174,
title = {Investigating the Effectiveness of a Socratic Chain-of-Thoughts Reasoning Method for Task Planning in Robotics, A Case Study},
author = {Veronica Bot and Zheyuan Xu},
journal= {arXiv preprint arXiv:2503.08174},
year = {2025}
}