Integrating Intent Understanding and Optimal Behavior Planning for Behavior Tree Generation from Human Instructions

本文提出了一个两阶段的行为树（BT）生成框架，用于在家庭或工业环境中执行遵循人类指令的任务，这些任务需要适应性和可靠性。由于其模块化和反应性，行为树（BT）被认为是这些场景下适当的控制架构。然而，现有的BT生成方法要么不涉及自然语言解释，要么不能在理论上保证BT的成功。该框架首先使用大型语言模型（LLM）解释高级指令中的目标，然后通过最优行为树扩展算法（OBTEA）构建高效的目标特定BT。我们将目标表示为一阶逻辑中的良好形式公式，有效地连接了意图理解和最优行为规划。在服务机器人中的实验验证了LLM在生成语法正确和准确解释目标方面的熟练程度，证明了OBTEA在各种指标上优于基线BT扩展算法，并最终证实了我们的框架的实际可部署性。项目网站为https://dids-ei.github.io/Project/LLM-OBTEA/。

论文旨在解决机器人在家庭或工业环境中执行任务所需的适应性和可靠性问题，提出了一种基于行为树（BT）的控制架构生成方法，同时涉及自然语言解释和BT的成功保证。

该论文提出了一个两阶段的BT生成框架，首先利用大型语言模型（LLMs）从高级指令中解释目标，然后通过最优行为树扩展算法（OBTEA）构建高效的目标特定BT。该框架有效地桥接了意图理解和最优行为规划，解决了当前BT生成方法在自然语言解释和BT成功保证方面存在的问题。

该论文的亮点包括：使用大型语言模型解释目标，OBTEA算法的高效性和优越性，以及在服务机器人上的实验验证。论文使用的数据集和开源代码也可以在项目网站上找到。该论文的工作值得进一步深入研究。

最近在该领域的相关研究包括：《A behavior tree approach for robot behavior planning and execution》、《A survey of behavior tree frameworks for decision making in robotics》等。