企业网站建设实训心得单页wordpress主题

企业网站建设实训心得,单页wordpress主题,湖南鸿泰电力建设有限公司网站,好看视频的代码近年来#xff0c;大型语言模型#xff08;Large Language Model, LLM#xff09;展现出了强大的自然语言处理能力。 许多研究已将LLM应用于机器人#xff0c;以实现指令执行任务#xff0c;例如SayCan、RT-2、VoxPoser等。然而#xff0c;这些方法需要反复调用LLM来处理…近年来大型语言模型Large Language Model, LLM展现出了强大的自然语言处理能力。许多研究已将LLM应用于机器人以实现指令执行任务例如SayCan、RT-2、VoxPoser等。然而这些方法需要反复调用LLM来处理外部干扰这是一个非常耗时的过程。机器人领域的一个活跃研究方向是将LLM与行为树Behavior Tree, BT相结合。LLM被用于将用户指令解释为包含任务目标条件的行为树。当外部干扰导致BT中的条件无法达成时行为树规划器BT Planner会基于动作数据库Action Database迭代地将未达成的条件扩展为子树旨在通过执行动作来达成这些条件。尽管这些方法能够以较少的LLM调用次数处理外部干扰但动作数据库是人工预先构建的。当应用于超出BT Planner能力范围的新任务时则需要具备增量学习能力。强化学习需要大量的训练和精心设计的奖励函数模仿学习需要大量的专家示范数据无监督学习可能导致结果偏离预期。一种新颖的方法是使用LLM来学习机器人操作。然而使用LLM生成的知识存在不确定性如果直接用于机器人可能会存在安全隐患。因此有必要在学习的评估阶段引入人机交互。研究者提出了一种人机交互学习机制。首先为LLM设计了一个上下文包括提示工程Prompt Engineering、操作基元Manipulation Primitives, MPs和动作数据库。提示工程用于规范LLM的输出MPs是一组与机器人底层控制器相关的基本操作动作数据库为LLM提供演示示例。当用户指示机器人设计新动作时LLM通过上下文学习生成动作知识。由于LLM的空间几何理解能力较弱因此在学习机制中引入了人机交互引导LLM修正和完善这些知识。经过多轮引导和最终用户确认后将其添加到动作数据库中。生成的动作知识包括前置条件、后置条件和一组MPs会以BT的形式实施其中动作由MP实现。此外BT中的条件可以由BT Planner动态扩展为子树使机器人能够在任务执行过程中应对外部干扰。为了评估提出的方法设计了8个涉及对象操作的任务分为三个难度级别。(1) Easy需要利用动作数据库中的样本来推理MPs的顺序以完成任务(2) Medium除了推理MPs的顺序外还需要考虑MPs中的关键参数(3) Hard除了推理MPs的顺序和关键参数外还需要考虑待操作对象的特征基线方法使用 LLM 基于上下文和动作数据库生成动作知识但没有人机交互学习而所提方法最多可以提供3次交互反馈。使用两种 LLMDeepSeek-V3和 ChatGPT-4o进行测试。在这 8 项任务中所提方法的学习性能优于基线方法。通过人机交互修正动作知识所提方法在这 8 项任务中的成功率超过 80%。为了验证所生成动作知识的适应性为这8项任务设计了外部干扰。所提方法所获得的动作知识在这8项具有外部干扰任务中的成功率超过70%。这表明该动作知识具有良好的适应性且大多数任务失败是由于视觉系统的识别偏差造成的。为了研究所生成动作知识的泛化能力为这8项任务设计了新的操作对象。生成的动作知识在Stack、PressButton、Upright和Build任务中的成功率超过 70%。这是因为动作知识中的MPs参数适用于新的操作对象。然而在Insert、BoxOut、OpenDrawer和Unscrew任务中成功率低于 40%。这是因为动作知识中的MPs参数不适用于新的操作对象。如果在将生成的动作知识应用于新的操作对象之前对其进行微调则可以进一步提高任务的成功率。总的来说本文提出了一种人机交互学习机制核心在于生成可直接应用于机器人自适应操作的动作知识并通过上下文学习实现无需知识迁移。多项实验结果表明该方法能够提升机器人的学习性能使其能够完成任务并应对外部干扰。