当前位置:首页 → 电脑软件 → 美国在测试委内瑞拉承压能力 → 午夜无码鲁❌丝片午🔞夜精㊙️品欧洲 v4.475.5776 安卓版
v9.3 最新版
v4.223.7479.614651 最新版
v7.752.2216.306632 安卓版
v2.559.4997.79173 安卓最新版
v3.890.1020 IOS版
v7.124.8576.243935 安卓版
v7.186.9003 最新版
v3.981 安卓汉化版
v1.985 PC版
v7.651.9907.301792 最新版
v2.646.9116.720301 最新版
v2.594 安卓免费版
v8.531.9233.397745 IOS版
v2.743 安卓免费版
v2.712 最新版
v4.315 安卓汉化版
v9.758.5369 安卓最新版
v7.321.9434 安卓版
v5.560.2713 最新版
v2.590.7538.159509 安卓汉化版
v6.115.6750 安卓免费版
v5.231.5287 安卓版
v1.371 安卓汉化版
v9.728 安卓免费版
v5.881 最新版
v6.422.1285 IOS版
v5.169.1963.855777 最新版
v7.1.3436 安卓免费版
v5.467 IOS版
v7.151 PC版
v8.451.1958 安卓汉化版
v5.692 PC版
v7.267.8362.474863 安卓最新版
v1.898.3048.295105 安卓汉化版
v3.361 IOS版
v9.506.650.476069 PC版
v6.446.5634.542656 安卓免费版
v7.869 安卓汉化版
v3.199.4393.828675 IOS版
v9.0 IOS版
v2.495 最新版
v7.60 安卓汉化版
v1.181 安卓最新版
v7.473 PC版
v8.604.3156 安卓最新版
v5.751.4307 安卓免费版
v3.368.107.214414 最新版
v5.888.2126.688370 IOS版
v7.365.6701 安卓免费版
v9.296.8888.341470 安卓汉化版
v6.655.8976 安卓免费版
v4.562.1021 最新版
v5.410 安卓最新版
v9.527.67 IOS版
v9.993.6244 安卓免费版
v2.741.321.526326 安卓汉化版
v6.616 安卓汉化版
v1.614.7058.25609 安卓最新版
v4.124.3402 PC版
v1.509.7892 安卓免费版
v6.432 安卓免费版
v6.672.9084 安卓版
v6.441 安卓版
v5.596.5343.550815 IOS版
v5.904 IOS版
v1.271.9505.724549 最新版
v7.839 安卓最新版
v6.48 IOS版
v6.23.851 IOS版
v1.112 IOS版
v2.628 IOS版
v4.2 最新版
v9.956.1872 最新版
v9.61.7336 最新版
v8.814.6890.299036 安卓汉化版
v8.120 PC版
v2.428.2687 IOS版
v5.615.130 最新版
v8.943.8770.745483 安卓版
v7.492 IOS版
午夜无码鲁❌丝片午🔞夜精㊙️品欧洲
过去,如果想让机器人布置餐桌,需要给它明确的指令,比如:往前走 2 米,抬起 45 度,食物需要摆在餐盘中,叉子摆到盘子的右侧……
现在,只要对机器人说“把这些餐具以合理的形式摆好”,它就能通过与大语言模型交流,学到怎么摆的常识性知识,然后按照要求把餐具合理地摆出来。
(来源:https://sites.google.com/view/llm-grop)
这项研究来自美国纽约州立大学宾汉姆顿分校张世琦教授团队与合作者,他们提出了一种名为 LLM-GROP 的方法,使机器人能够在复杂环境中高效地完成多对象重新排列任务,在真实环境中的任务成功率达 84.4%。
张世琦对 DeepTech 表示:“我们首次将大语言模型的常识知识与任务与运动规划(TAMP,Task and motion planning)任务结合。该系统表现出强适应能力,支持在动态障碍的环境中进行实时调整。”
该研究为服务机器人在开放世界中的语义任务执行提供了新思路,适用于移动操作平台,即当机器人既需要在任务层面做离散规划,把复杂任务分解成一步步动作,又需要在连续空间里做轨迹规划的情况。
图丨移动机械臂布置餐桌的场景(来源:IJRR)
研究团队对移动操作(MoMa)领域进行研究,重点关注机器人同时执行导航和移动抓取的任务。他们还特别关注如何在给定未明确指定的目标的情况下,计算每个物体应该放置的位置和方式。
研究人员利用大模型的丰富常识知识,例如餐具的摆放方式,来促进任务级和运动级规划。此外,他们还使用计算机视觉方法来学习选择基础位置的策略促进 MoMa 行为。
张世琦举例说道:“这很像餐厅里服务员上菜的情景。一方面,服务员站得离桌子越近越好,另一方面又要与顾客、桌子、椅子以及其他障碍物保持一定的距离。我们用视觉方案来解决站位问题,以兼顾机械手臂和基座的性能表现。”
(来源:IJRR)
以具体场景为例,来理解机器人在任务规划和运动规划之间进行交互:假如机器人想要将餐具摆放到十人餐桌,有人已就座。
在任务层面,它需要判断具体从桌子左边还是右边走过去更安全。与此同时,机器人在上菜时需要决策先放盘子还是杯子等。而运动规划的问题则是:餐桌旁边已有椅子,应该如何调整站姿,能让放盘子的成功率和效率都比较高。
(来源:IJRR)
为验证该系统的效果,该团队分别在真实机器人和仿真环境中进行实验。真实实验涵盖三个不同复杂度的任务,包括摆放不同数量的餐具物品,并在有无障碍物的情况下执行多次试验。结果显示,LLM-GROP 在可生成合理的对象布局的前提下,还能在复杂环境中高效地导航和操作。
其中,在真实世界对象重新排列试验中,机器人的任务成功率达到 84.4%。通过主观人类评估,LLM-GROP 在用户满意度方面比现有的对象重新排列方法表现更好。在仿真环境中,LLM-GROP 的执行时间比其他基线方法更短。
研究人员还对比了不同大模型在系统中的作用,发现 GPT-4 在多数任务中表现最佳,而 Gemini 和 Claude 则在某些特定任务中展现优势。
图丨相关论文(来源:IJRR)
近日,相关论文以《LLM-GROP:利用大语言模型实现可视化的机器人任务与运动规划》(LLM-GROP: Visually Grounded Robot Task and Motion Planning with Large Language Models)为题发表在 International Journal of Robotics Research(IJRR)[1]。
纽约州立大学宾汉姆顿分校张笑寒博士(目前任职于波士顿动力 AI 机器人实验室)、丁琰博士(目前任职于鹿明机器人)、博士生速水陽平(Yohei Hayamizu)和扎伊纳布·阿尔塔韦尔(Zainab Altaweel)是共同第一作者,张世琦教授担任通讯作者。这项研究的合作者还包括美国人形机器人厂家 Agility Robotics 克里斯・帕克斯顿(Chris Paxton)、美国得克萨斯大学奥斯汀分校彼得・斯通(Peter Stone)教授和朱玉可教授。
(来源:资料图)
研究团队计划在未来的研究中继续改进相关问题。例如,在实际环境中可能涉及控制等复杂的问题;进一步探索机器人在抓取时控制器是如何实现的;机器人犯错后如何恢复;为机器人提供更好的摄像头提供更丰富的视觉信息;考虑机器人边走边操作的情况等等。
“我们在这次研究中第一次把大模型用在任务运动规划以及移动操作的问题上,未来我们还将探索在现实场景中更多有趣的问题。”张世琦表示。
参考资料:
1.https://doi.org/10.1177/02783649251378196
运营/排版:何晨龙
相关版本
多平台下载
查看所有0条评论>网友评论