基于行为树与大型语言模型的机器人任务生成
机器人学
2023-02-28 v1 人工智能
计算与语言
摘要
如今，行为树因其模块化和可复用性，作为一种机器人任务表示方式日益流行。手动设计行为树任务对机器人终端用户而言十分耗时，因此有必要研究基于行为树的任务自动生成。已有的基于行为树的任务生成方法聚焦于固定的基元任务，缺乏对新任务领域的泛化能力。为应对该问题，我们提出一种新颖的基于行为树的任务生成方法，利用最先进的大型语言模型。我们提出一种 Phase-Step 提示设计，可实现层次结构化的机器人任务生成，并进一步将其与基于行为树嵌入的搜索相结合以构建合适的提示。由此，我们实现了自动且跨领域的基于行为树的任务生成。我们的方法不需要一组预定义的基元任务。终端用户只需描述一个抽象的期望任务，所提方法即可快速生成相应的行为树。我们给出一个全流程案例研究以展示所提方法，并进行消融实验以评估 Phase-Step 提示的有效性。文中给出对 Phase-Step 提示的评估并讨论大型语言模型的局限性。
引用
@article{arxiv.2302.12927,
title = {Robot Behavior-Tree-Based Task Generation with Large Language Models},
author = {Yue Cao and C. S. George Lee},
journal= {arXiv preprint arXiv:2302.12927},
year = {2023}
}
备注
The extended abstract of this paper is accepted in AAAI 2023 Spring Symposium on Challenges Requiring the Combination of Machine Learning and Knowledge Engineering (AAAI-MAKE 2023)