LANCAR：在非结构化环境中利用语言实现上下文感知的机器人运动
机器人学
2024-10-10 v3
摘要
在非结构化地形中导航机器人具有挑战性，主要源于环境的动态变化。虽然人类善于利用观察所得的上下文熟练地穿越此类地形，但为机器人创建类似的上下文感知导航系统十分困难。问题的本质在于上下文信息的获取与解释，而人类语言固有的模糊性使该任务复杂化。在本工作中，我们提出 LANCAR，通过结合上下文翻译器与强化学习（RL）智能体来实现上下文感知运动，从而解决此问题。LANCAR 使机器人能够通过源自人类观察者的 LLM（大语言模型，Large Language Models）理解上下文信息，并将该信息转换为可操作的上下文嵌入。这些嵌入与机器人的传感器数据相结合，为 RL 智能体的策略网络提供完整输入。我们在不同上下文模糊度水平下对 LANCAR 进行了广泛评估，并与替代方法比较。实验结果展示了其在不同地形上优越的泛化性与适应性。值得注意的是，LANCAR 相较最佳替代方法的回合奖励至少提高 7.4%，凸显了其在非结构化环境中增强机器人导航的潜力。更多细节与实验视频见 http://raaslab.org/projects/LLM_Context_Estimation/
引用
@article{arxiv.2310.00481,
title = {LANCAR: Leveraging Language for Context-Aware Robot Locomotion in Unstructured Environments},
author = {Chak Lam Shek and Xiyang Wu and Wesley A. Suttle and Carl Busart and Erin Zaroukian and Dinesh Manocha and Pratap Tokekar and Amrit Singh Bedi},
journal= {arXiv preprint arXiv:2310.00481},
year = {2024}
}