LLM-Planner：针对大语言模型具身智体的少样本落地规划

文章预览

23年3月来自Ohio State U的论文“LLM-Planner: Few-Shot Grounded Planning for Embodied Agents with Large Language Models”。 本研究的重点是使用大语言模型 (LLM) 作为具身智体的规划器，这些智体可以遵循自然语言指令在视觉感知的环境中完成复杂任务。现有方法的高数据成本和低样本效率，阻碍了执行多任务并能快速学习新任务多功能智体的开发。这项工作提出一种 LLM-Planner ，利用大语言模型的强大功能为具身智体进行少样本规划。进一步提出了一种简单但有效的方法来增强物理落地的 LLM，生成和更新基于当前环境的规划。在 ALFRED 数据集上（” ALFRED: A Benchmark for Interpreting Grounded Instructions for Everyday Tasks “）的实验表明，该方法可以实现非常有竞争力的少样本性能：尽管使用不到 0.5% 的配对训练数据，LLM-Planner 仍实现了与完整数据训练的基线可媲美的性能。现有的方 ………………………………