检索增强的具身智能体
机器人学
2024-04-19 v1
摘要
在复杂且不确定的环境中运行的具身智能体面临诸多挑战。虽然一些先进的智能体能够熟练地处理复杂的操控任务，但其成功往往依赖于大量的训练数据来发展其能力。相比之下，人类通常依赖回忆过去的经验和类似的情况来解决新问题。为模拟这种人类方法在机器人中的应用，我们引入了检索增强的具身智能体（Retrieval-Augmented Embodied Agent, RAEA）。这一创新系统为机器人提供了一种共享记忆，显著提升了其性能。我们的方法集成了策略检索器，使机器人能够基于多模态输入从外部策略记忆库中访问相关策略。此外，采用策略生成器将这些策略融入学习过程，使机器人能够为任务制定有效的响应。对RAEA在模拟和真实场景中的广泛测试表明，其性能优于传统方法，标志着机器人技术的重大进步。
引用
@article{arxiv.2404.11699,
title = {Retrieval-Augmented Embodied Agents},
author = {Yichen Zhu and Zhicai Ou and Xiaofeng Mou and Jian Tang},
journal= {arXiv preprint arXiv:2404.11699},
year = {2024}
}
备注
CVPR2024