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。由于行为树具有模块化和反应性，因此行为树（BT）成为这些场景的适当控制架构。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（LLMs）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，有效地桥接了意图理解和最优行为规划。在服务机器人上的实验验证了LLMs在产生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，并最终确认了我们框架的实际可部署性。项目网站是https://dids-ei.github.io/Project/LLM-OBTEA/。

论文旨在解决机器人执行任务时需要同时具备适应性和可靠性的问题，提出了一种基于行为树和自然语言理解的任务规划框架。该框架旨在通过自然语言理解和行为树生成算法的结合，实现高效的任务规划。

论文提出了一种两阶段的框架，第一阶段利用大型语言模型（LLMs）来解释高级指令中的目标，第二阶段通过最优行为树扩展算法（OBTEA）构建高效的目标特定行为树。通过将目标表示为一阶逻辑中的良好形式公式，有效地将意图理解和最优行为规划联系起来。

论文的亮点包括：（1）证明了LLMs在生成语法正确和准确解释目标方面的能力；（2）通过实验表明OBTEA在各种指标上优于基线行为树扩展算法；（3）展示了该框架的实际部署能力。项目网站提供了开源代码和数据集。

近期在该领域的相关研究包括：（1）《A Survey on Behavior Trees in Robotics and AI》；（2）《A Survey on Natural Language Processing for Task Planning》；（3）《Learning Behavior Trees from Demonstration with Inverse Reinforcement Learning》。