LLM-BT: Performing Robotic Adaptive Tasks based on Large Language Models and Behavior Trees

本文提出了一种新方法，基于大型语言模型（LLMs）和行为树（BTs）来实现机器人自适应任务。该方法利用ChatGPT来推理任务的描述性步骤。为了让ChatGPT理解环境，通过对象识别算法构建语义地图。然后，我们设计了一个基于双向编码器表示来自变形金刚的解析器模块，将这些步骤解析成初始BTs。随后，提出了一个BTs更新算法，动态扩展初始BTs以控制机器人执行自适应任务。与其他基于LLM的复杂机器人任务方法不同，我们的方法输出可变的BTs，可以根据环境变化添加和执行新动作，具有抗外部干扰的鲁棒性。我们的方法在不同实际场景的模拟中得到了验证。

本论文旨在解决使用大型语言模型（LLMs）执行复杂机器人任务时，如何应对外部干扰的问题。论文提出了一种基于LLMs和行为树（BTs）的机器人自适应任务实现方法。

论文提出了一种使用ChatGPT来推理任务描述步骤的方法，并使用对象识别算法构建语义地图来帮助ChatGPT理解环境。然后，使用基于双向编码器表示来自变压器（BERT）的解析器模块将这些步骤解析为初始BTs。随后，提出了BTs更新算法，动态扩展初始BTs以控制机器人执行自适应任务。

该方法输出可变的BTs，可以根据环境变化添加和执行新动作，从而具有抵御外部干扰的鲁棒性。论文在不同的实际场景中进行了模拟验证。实验设计了一个对象识别算法来构建语义地图，使用了ChatGPT和BERT，同时提供了开源代码。

最近的相关研究包括使用深度强化学习来控制机器人执行任务的方法，以及使用LLMs和BTs来实现自适应任务的方法。相关论文包括“Deep Reinforcement Learning for Robotic Manipulation with Asynchronous Off-Policy Updates”和“Learning to Adapt Behavior via Meta-Reinforcement Learning”。