基于隐式逻辑推理与幻觉缓解的长时程机体规划

长时程机体规划是机体 AI 的基础。为了完成长时程任务，一种可行的方法是将抽象指令分解为一系列可操作步骤。基础模型在缺乏高度相关任务示例的情况下，仍会在长时程规划中出现逻辑错误和幻觉。然而，为任何随机任务提供高度相关的示例是不切实际的。因此，我们提出了 ReLEP（Real-time Long-horizon Embodied Planning），一个用于实时长时程机体规划的新框架。ReLEP 通过 fine-tuning 学习隐式逻辑推理，能够在不提供情境示例的情况下完成各种长时程任务。经 fine-tuning 的大型视觉语言模型将计划表述为技能函数的序列，这些函数从精心设计的技能库中选择。ReLEP 还配备了用于计划和状态回忆的 Memory 模块，以及用于跨机器人类型的 versatile 的 Robot Configuration 模块。此外，我们提出了数据生成管道以解决数据稀缺问题。在构建数据集时，我们考虑了隐式逻辑关系，使模型能够学习隐式逻辑关系并消除幻觉。通过 various long-horizon tasks 的 comprehensive evaluations，ReLEP 在各种未见任务上 demonstrate 出高 success rates and strong compliance to execution，同时 outperform state-of-the-art baseline methods。