DELTA: Decomposed Efficient Long-Term Robot Task Planning using Large Language Models

本文是LLM系列文章,针对《DELTA: Decomposed Efficient Long-Term Robot Task Planning
using Large Language Models》的翻译。

DELTA:使用大型语言模型分解高效的长期机器人任务规划

摘要

大型语言模型(LLMs)的最新进展引发了各个研究领域的革命。特别是,将LLM的常识知识整合到机器人任务和运动规划中已被证明是一种改变游戏规则的方法,将可解释性和下游任务效率方面的性能提升到了前所未有的高度。然而,管理这些大型模型中包含的大量知识带来了挑战,由于幻觉或缺少领域信息,通常会导致基于LLM的规划系统生成不可行的计划。为了克服这些挑战并获得更大的规划可行性和计算效率,我们提出了一种新的LLM驱动的任务规划方法,称为DELTA。为了更好地将环境拓扑转化为可操作的知识,DELTA利用场景图作为LLM中的环境表示的力量,能够快速生成精确的规划问题描述。为了获得更高的规划性能,我们使用LLM将长期任务目标分解为子目标的自回归序列,供自动任务规划器求解。我们的贡献实现了更高效、全自动的任务规划流程,与最新技术相比,实现了更高的规划成功率和更短的规划时间。

1 引言

2 相关工作

3 方法

4 评估

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值