muyulingfengye的博客

—在这项工作中，我们引入了 SMART - LLM，这是一个为具身。

大语言模型（LLMs）作为任务规划的替代解决方案，最近受到了广泛关注。然而，比较面向语言的任务规划器的性能变得困难，并且对于各种因素（如预训练模型的选择和提示构建）的影响缺乏详细探讨。为了解决这个问题，我们提出了一个基准系统，用于自动量化家庭服务具身智能体的任务规划性能。任务规划器在两对数据集和模拟器上进行测试：1）ALFRED 和 AI2-THOR，2）Watch-And-Help 的扩展版本和 VirtualHome。使用所提出的基准系统，我们对大语言模型和提示进行了广泛的实验，并探索了基线规划器的几种

​随着大语言模型（LLMs）的融入，具身智能体具备了强大的能力来执行复杂的自然语言指令，这为具身机器人的潜在部署铺平了道路。然而，一个可预见的问题是，这些具身智能体也可能完美地执行一些危险任务，从而在现实世界中造成损害。为了研究这个问题，我们提出了 SafeAgentBench，这是一个用于评估具身大语言模型智能体安全任务规划能力的新基准。SafeAgentBench 包括：（1）一个包含 750 个任务的新数据集，涵盖 10 种潜在危险和 3 种任务类型；（2）SafeAgentEnv，一个配备低级控制

—语言模型（LMs）具有很强的理解自然语言的能力，使其能够有效地将人类指令转化为简单机器人任务的详细计划。然而，处理长期任务仍然是一个重大挑战，特别是在协作异构机器人团队的子任务识别和分配方面。为了解决这个问题，我们提出了一种语言模型驱动的多代理PDDL规划器（LaMMA-P），这是一种新颖的多代理任务规划框架，可在长期任务上实现最先进的性能。LaMMA-P整合了LMs推理能力和传统启发式搜索规划器的优势，以实现高成功率和效率，同时展示跨任务的强大泛化。

【发表时间】2024.03.07【英文标题】Cook2LTL: Translating Cooking Recipes to LTL Formulae using Large Language Models【会议期刊】ICRA 2024【CCF B 】【原文链接】https://arxiv.org/pdf/2310.00163【论文代码】https://github.com/angmavrogiannis/Cook2LTL【相关视频】https://www.youtube.com/watch?v=5Q5cd