BTGenBot: Behavior Tree Generation for Robotic Tasks with Lightweight LLMs

本文提出了一种使用轻量级大型语言模型（LLMs）生成机器人行为树的新方法，该模型最多包含70亿个参数。研究表明，当在特定数据集上进行微调时，紧凑的LLMs可以实现令人满意的结果。该研究的主要贡献包括使用GPT-3.5基于现有行为树创建微调数据集，并在九个不同任务上全面比较多个LLMs（即llama2、llama-chat和code-llama）。为了全面，我们使用静态语法分析、验证系统、模拟环境和真实机器人评估了生成的行为树。此外，这项工作开辟了直接在机器人上部署此类解决方案以增强其实际适用性的可能性。本研究的发现表明，具有有限数量参数的LLMs在生成有效和高效的机器人行为方面具有潜力。

本文旨在使用轻量级大语言模型（LLM）生成机器人的行为树，并验证其在不同任务中的有效性和可行性，解决机器人行为生成的问题。

文章使用GPT-3.5创建了一个微调数据集，并对多个LLMs进行了全面比较。通过静态语法分析、验证系统、模拟环境和真实机器人对生成的行为树进行了评估，并展示了具有有限参数的LLMs在生成机器人行为方面的潜力。

实验结果表明，使用LLMs生成机器人行为树是有效和高效的，具有实际应用的可能性。本文还开源了代码，并提供了多个数据集和实验结果，值得进一步研究。

最近的相关研究包括“Robot Behavior Tree Generation using Deep Reinforcement Learning”和“Behavior Trees for Robotics: A Survey”。