SayComply：通过基于检索的语言模型将野外机器人任务规划建立在操作合规性之上
机器人学
2024-11-19 v1
摘要
本文解决了机器人在现实环境中必须遵守操作手册的任务规划问题。在这些约束下的任务规划对于在需要遵守特定领域知识的领域中实现自主机器人操作至关重要。当前生成机器人目标和计划的方法依赖于大型语言模型中编码的常识性知识。然而，这些模型缺乏将机器人计划与特定领域知识建立联系的基础，并且不易在不同合规性需求的多个站点或客户之间迁移。在这项工作中，我们提出了 SayComply，它利用基于检索的语言模型，使机器人任务规划能够建立在操作合规性之上。我们设计了一个包含操作、环境和机器人实体手册及程序的分层数据库，以便在大型语言模型有限的上下文长度下高效检索相关上下文。然后，我们使用基于树的检索增强生成（RAG）技术设计了一个任务规划器，以生成遵循用户指令同时遵守数据库中领域知识的机器人任务。我们通过仿真和在需要跨多种类型上下文进行精确上下文检索的真实场景中的硬件实验，展示了我们方法的优势，其性能优于标准的 RAG 方法。我们的方法弥合了部署始终遵守操作协议的机器人方面的差距，为在多样且复杂的现实环境中确保合规性提供了一种可扩展且可边缘部署的解决方案。项目网站：saycomply.github.io。
引用
@article{arxiv.2411.11323,
title = {SayComply: Grounding Field Robotic Tasks in Operational Compliance through Retrieval-Based Language Models},
author = {Muhammad Fadhil Ginting and Dong-Ki Kim and Sung-Kyun Kim and Bandi Jai Krishna and Mykel J. Kochenderfer and Shayegan Omidshafiei and Ali-akbar Agha-mohammadi},
journal= {arXiv preprint arXiv:2411.11323},
year = {2024}
}