Action Contextualization: Adaptive Task Planning and Action Tuning using Large Language Models

大型语言模型（LLMs）通过利用广泛的人类知识，在机器人任务规划方面展现出有前途的前沿。然而，当前的文献通常忽视了机器人系统中适应性和错误校正的关键方面。本文旨在通过使机器人能够修改其动作策略并根据上下文选择最合适的任务计划来克服这一限制。我们介绍了一个名为“动作情境化”的新框架，旨在通过应用LLM衍生的情境洞察来定制机器人动作以满足特定任务的精确要求，从而增强适应性。我们提出的运动度量保证了调整后运动的可行性和效率，评估机器人性能并消除计划冗余。此外，我们的框架支持机器人与LLM之间的在线反馈，使任务计划能够立即进行修改和错误纠正。通过广泛的验证，我们的框架取得了81.25%的总体成功率。最后，与基于动态系统（DS）的机器人控制器集成，机器人臂手系统展示了其在自主执行LLM生成的顺序清台任务的运动计划，纠正错误而无需人类干预，完成任务，并展示了其对外部干扰的鲁棒性。我们提出的框架具有与模块化控制方法集成的潜力，显著增强了机器人在顺序任务执行方面的适应性和自主性。

论文旨在解决机器人系统中适应性和错误纠正的问题，提出了一种新的框架来实现机器人动作的上下文化，以提高适应性和错误纠正能力。

论文提出了一种名为“动作上下文化”的框架，通过应用大型语言模型（LLM）的上下文洞察力来定制机器人动作，以满足特定任务的精确要求，并支持机器人与LLM之间的在线反馈，实现任务计划的即时修改和错误纠正。

论文的实验结果表明，该框架在大量验证中的成功率为81.25％，并且与动态系统（DS）机器人控制器集成后，机器人手臂-手系统展示了自主执行LLM生成的运动计划的能力，纠正错误而无需人类干预，并表现出对外部干扰的鲁棒性。

近期的相关研究包括使用LLM的机器人任务规划，以及机器人动作的上下文化等方面的研究。