Grounding LLMs For Robot Task Planning Using Closed-loop State Feedback

这篇论文介绍了一种创新的规划算法，将大型语言模型（LLMs）如PaLM 2、GPT-3.5和GPT-4集成到机器人环境中，提高了任务集中执行和成功率。该算法的关键在于闭环反馈，提供实时的环境状态和错误信息，对于在出现差异时优化计划至关重要。该算法从人类神经系统汲取灵感，通过在结构化的分层方式下将规划分为两个LLMs，模拟其脑体结构。我们的方法不仅超越了VirtualHome环境中的基线，任务导向的成功率平均增加了35％，而且实现了85％的执行得分，接近94％的人类水平基准。此外，使用逼真的物理模拟器和Franka Research 3 Arm证明了该算法在实际机器人场景中的有效性。

论文旨在将大型语言模型（LLMs）整合到机器人规划算法中，提高任务执行和成功率。

该算法将规划分为两个层次，使用两个LLMs模拟人类神经系统的脑体结构，并提供实时反馈以优化计划。

该算法在VirtualHome环境中的任务成功率平均提高了35％，执行得分达到了85％，接近人类水平，同时在Franka Research 3 Arm上进行的真实机器人实验也取得了良好效果。

与该论文相关的研究包括大型语言模型的应用、机器人规划算法的改进以及机器人在复杂环境下的任务执行等方面的研究。