革新机器人任务规划：TREE-PLANNER引领高效、准确的机器人动作生成新趋势

DeepVisionary 每日深度学习前沿科技推送&顶会论文分享，与你一起了解前沿深度学习信息！

引言

任务规划在机器人技术中扮演着至关重要的角色。它涉及到为机器人设计一系列中级动作（技能），使其能够完成复杂的高级任务。这一过程不仅需要考虑机器人的能力，还需考虑周围环境以及可能存在的各种约束和不确定性。近年来，利用大型语言模型（LLMs）直接生成动作成为了任务规划领域的新趋势。这种方法因其卓越的性能和用户友好性而受到青睐。然而，传统的基于LLM的任务规划方法存在诸多效率问题，如高代价的令牌消耗和冗余的错误修正，这些问题限制了其在大规模测试和应用中的可扩展性。

论文概览

• 标题：TREE-PLANNER: Planning with Large Language Models for Efficient Close-Loop Task
• 作者：Mengkang Hu, Yao Mu, Xinmiao Yu, Mingyu Ding, Shiguang Wu, Wenqi Shao, Qiguang Chen, Bin Wang, Yu Qiao
• 机构：
  • The University of Hong Kong
  • Noah’s Ark Laboratory
  • Harbin Institute of Technology
  • Shanghai AI Laboratory
• 链接：https://arxiv.org/pdf/2310.08582.pdf
  

TREE-PLANNER方法介绍

TREE-PLANNER是一种新型的任务规划方法，它通过将任务规划过程分解为三个阶段来提高效率和减少错误：计划采样、动作树构建和基于环境的决策。这种方法首先利用大型语言模型（LLM）来采样可能的任务计划，然后将这些计划聚合成一个动作树，最后在执行过程中根据实时环境信息对动作树进行决策。

1. 计划采样（Plan Sampling）

在这一阶段，TREE-PLANNER利用LLM根据任务的全局信息和初始观察来生成一系列潜在的任务计划。这些计划是基于LLM的常识性知识生成的，每个计划都是一系列动作的序列。

2. 动作树构建（Action Tree Construction&