记忆迁移规划：LLM 驱动的上下文感知代码自适应用于机器人操控
机器人学
2025-09-30 v1 人工智能
机器学习
摘要
大语言模型（LLMs）越来越多地被探索用于机器人操控，但许多现有方法难以适应新环境。许多系统需要针对特定环境进行策略训练，或者依赖固定提示和单次代码生成，导致可迁移性有限且需要手动重新调参。我们提出了记忆迁移规划（MTP），一个利用不同环境中成功的控制代码示例作为程序性知识的框架，将其用作 LLM 驱动规划的上下文指导。具体而言，MTP（i）使用 LLMs 生成初始计划和代码，（ii）从代码记忆中检索相关成功示例，（iii）上下文自适应地调整检索到的代码以进行重新规划，而无需更新模型参数。我们在 RLBench、CALVIN 和物理机器人上评估了 MTP，证明了其在模拟之外的有效性。在这些设置中，MTP 一致地提高了成功率和可适应性，优于固定提示代码生成、朴素检索和无记忆重新规划。此外，在硬件实验中，利用在模拟中构建的记忆被证明是有效的。MTP 提供了一种实用的方法，利用程序性知识在多样化的机器人操控场景中实现鲁棒的 LLM 基础规划，增强了对新环境的适应性，并弥合了模拟与现实部署之间的差距。
引用
@article{arxiv.2509.24160,
title = {Memory Transfer Planning: LLM-driven Context-Aware Code Adaptation for Robot Manipulation},
author = {Tomoyuki Kagaya and Subramanian Lakshmi and Yuxuan Lou and Thong Jing Yuan and Jayashree Karlekar and Sugiri Pranata and Natsuki Murakami and Akira Kinose and Yang You},
journal= {arXiv preprint arXiv:2509.24160},
year = {2025}
}