MoK-RAG：基于知识路径混合增强的检索增强生成方法用于具身 AI 环境
机器学习
2025-03-19 v1 人工智能
摘要
虽然人类认知在决策过程中天然地从多样化且专业化的知识来源检索信息，但当前的检索增强生成（RAG）系统通常通过单一来源知识检索来实现，这导致认知-算法之间的差距。为弥合这一差距，我们引入了 MoK-RAG，这是一个新型的多来源 RAG 框架，通过对大型语言模型（LLM）语料库进行功能分区到 distinct sections，实现对多个 specialized knowledge paths 的检索。应用于 3D 模拟环境的生成，我们提出的 MoK-RAG3D 通过将 3D 资产划分为 distinct sections 并基于层次化知识树结构进行组织来增强这一范式。与之前的方法不同，仅使用手动评估，我们首次引入了用于 3D 场景的自动化评估方法。我们的实验中的自动评估和人类评估均表明，MoK-RAG3D 可以帮助具身 AI 智能体生成多样化的场景。
引用
@article{arxiv.2503.13882,
title = {MoK-RAG: Mixture of Knowledge Paths Enhanced Retrieval-Augmented Generation for Embodied AI Environments},
author = {Zhengsheng Guo and Linwei Zheng and Xinyang Chen and Xuefeng Bai and Kehai Chen and Min Zhang},
journal= {arXiv preprint arXiv:2503.13882},
year = {2025}
}