TidyBot: Personalized Robot Assistance with Large Language Models

解决问题：该论文旨在解决如何通过机器人进行个性化家庭清洁服务的问题。具体而言，通过学习用户的偏好，使机器人能够在未来的场景中普遍适用。

 

关键思路：该论文的关键思路是将基于语言的规划和感知与大型语言模型（LLMs）的少样本摘要能力相结合，推断出广泛适用于未来交互的用户偏好。相比当前领域的研究，该论文的思路在于将语言模型应用于机器人领域，以实现个性化服务。

其他亮点：该论文使用了一个基准数据集，并在真实世界的移动机械臂TidyBot上进行了实验，成功将85.0％的物品放回其正确位置。值得注意的是，该方法在未见过的物品上实现了91.2％的准确性。此外，该论文还提出了一种新的思路，即将大型语言模型应用于机器人领域。

 

项目地址：https://tidybot.cs.princeton.edu 

论文地址：https://arxiv.org/abs/2305.05658 

关于作者：

该论文的主要作者包括Jimmy Wu, Rika Antonova, Adam Kan, Marion Lepert, Andy Zeng, Shuran Song, Jeannette Bohg, Szymon Rusinkiewicz, Thomas Funkhouser。

Princeton University、Stanford University、The Nueva School 、Google、Columbia University

论文摘要：

为了让机器人有效地个性化物理援助，它必须学习通常可以重新应用到未来场景的用户偏好。在这项工作中，我们调查了家庭清理的个性化，机器人可以通过捡起物品并把它们放好来整理房间。一个关键的挑战是确定放置每个物体的合适位置，因为人们的喜好可能因个人品味或文化背景而异。

例如，一个人可能更喜欢把衬衫放在抽屉里，而另一个人可能更喜欢把它们放在架子上。我们的目标是建立系统，通过事先与特定人的互动，从少数例子中学习这种偏好。我们表明，机器人可以将基于语言的规划和感知与大型语言模型（LLM）的少量总结能力相结合，以推断广泛适用于未来交互的广义用户偏好。这种方法可以实现快速适应，并在我们的基准数据集中对看不见的物体实现91.2%的准确性。我们还在名为TidyBot的现实世界移动机械手上演示了我们的方法，该机械手在现实世界测试场景中成功放置了85.0%的对象。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除