33、KGGPT：融合ChatGPT与知识图谱的机器人任务规划系统

KGGPT：融合ChatGPT与知识图谱的机器人任务规划系统

1. 引言

在机器人领域，如何高效地进行任务规划一直是研究的重点。近年来，大语言模型（LLMs）和知识图谱在机器人任务规划中展现出了巨大的潜力。KGGPT系统结合了ChatGPT和知识图谱，旨在解决机器人任务规划中的各种问题，提高任务执行的效率和成功率。

2. 相关工作

2.1 用于机器人任务的大语言模型

近年来，人们尝试将大语言模型融入机器人系统。例如，有的研究使用大语言模型计算价值函数，通过自由文本命令对机器人特定库中的最佳动作类型进行排名；还有研究探索了大语言模型在零样本高级机器人任务规划中的应用。然而，大语言模型的预训练知识可能导致目标与步骤之间的虚假关联，因为机器人系统需要更深入地理解现实世界的物理、环境以及执行物理动作的技能。为解决这一问题，有研究引入了神经符号程序规划器，通过融入常识线索从大语言模型中提取程序规划知识；还有研究允许用户交互式地优化和纠正计划。总体而言，利用先验知识和常识线索可以提高基于大语言模型规划的准确性和有效性，为通用机器人任务规划设计提供了新途径。

2.2 知识图谱与机器人任务规划

在机器人领域，先验知识可以通过知识图谱来表达，相关研究取得了显著成果。例如，RoboEarth、KnowRob和RoboBrain等知识图谱的研究凸显了知识方法的重要性。使用知识图谱组织机器人任务规划所需的信息非常普遍，以往的研究尝试用知识图谱存储机器人的底层任务规划和语义表示，包括对象可供性、机器人动作树和动态能力等。这些知识可以指导规划模块进行新任务的规划。最近结合任务规划和知识图谱的实验证明了在机器人任务中融入知识的有效性。在任务规划过程中，理解任