RAIDER：基于大语言模型的具备工具的机器人行动问题检测、解释与恢复系统
机器人学
2025-04-07 v2
摘要
随着机器人在动态以人为中心的环境中日益增多，提升其检测、解释和恢复行动问题的能力变得至关重要。传统的模型驱动方法和数据驱动技术缺乏适应性，而更灵活的生成式AI方法在将提取信息锚定到现实约束方面存在挑战。我们引入RAIDER，一种新型智能体，将大语言模型（LLM）与锚定工具相结合，实现灵活且高效的问题检测与解释。RAIDER采用独特的“Ground、Ask&Answer、Issue”程序，动态生成情境感知的 precondition 问题，并选择合适的工具进行解决，实现精准信息获取。我们的实验结果在模拟家庭环境中优于依赖预定义模型、完整场景描述或独立训练模型的方法。此外，RAIDER的解释能够提升恢复成功率，包括需要人工干预的情况。其模块化架构具有自我纠错机制，可轻松适应多种场景，实验在真实的人类协助任务中得到验证。这一成果展示了RAIDER作为一种通用智能体AI解决方案的潜力，解决了生成式AI在具身智能体中锚定问题。项目网站：https://eurecat.github.io/raider-llmagent/
引用
@article{arxiv.2503.17703,
title = {RAIDER: Tool-Equipped Large Language Model Agent for Robotic Action Issue Detection, Explanation and Recovery},
author = {Silvia Izquierdo-Badiola and Carlos Rizzo and Guillem Alenyà},
journal= {arXiv preprint arXiv:2503.17703},
year = {2025}
}