MINDSTORES：记忆驱动的神经决策综合用于具身系统中的任务导向强化
人工智能
2025-06-04 v4
摘要
尽管大型语言模型（LLM）作为具身智能体的零样本规划器显示出有前景的能力，但它们无法从经验中学习并构建持久的心智模型，这限制了它们在复杂开放世界环境（如Minecraft）中的鲁棒性。我们提出了MINDSTORES，一个经验增强的规划框架，使具身智能体能够通过与环境的自然交互来构建和利用心智模型。受人类如何构建和细化认知心智模型的启发，我们的方法通过维护一个过去经验的数据库来扩展现有的零样本LLM规划，该数据库为未来的规划迭代提供信息。关键创新在于将累积的经验表示为（状态、任务、计划、结果）元组的自然语言嵌入，然后可以由LLM规划器高效检索和推理，以生成洞察并指导新状态和任务的计划细化。通过在MineDojo环境（一个为Minecraft中的智能体提供低级控制的模拟环境）中的大量实验，我们发现MINDSTORES在学习和应用知识方面显著优于现有的基于记忆的LLM规划器，同时保持了零样本方法的灵活性和泛化优势，这代表了朝着能够通过自然经验持续学习的更强大具身AI系统迈出的重要一步。
引用
@article{arxiv.2501.19318,
title = {MINDSTORES: Memory-Informed Neural Decision Synthesis for Task-Oriented Reinforcement in Embodied Systems},
author = {Anirudh Chari and Suraj Reddy and Aditya Tiwari and Richard Lian and Brian Zhou},
journal= {arXiv preprint arXiv:2501.19318},
year = {2025}
}