.png){kind=icon}
返回
Robot Active Task Cognition: Situation-Aware Task Planning With Large Language Models
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3637229.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一种用于情境感知任务规划（SATP）的机器人主动任务认知框架，利用视觉场景理解生成动作序列。通过整合物体知识、用户偏好和大型语言模型（LLMs），SATP能够解释机器人当前的视觉感知，并创建与机器人“所见”相符的流程动作。与需要明确口头指令的常规方法不同，我们的SATP框架能够自主进行任务认知，直接从视觉输入主动制定机器人可执行的动作序列。首先，提出了一种描述视觉场景的新方法，使机器人能够根据其观察结果掌握详细的物体级属性和物体间关系。在此基础上，采用本体技术构建了主动任务认知的知识库。此外，我们开发了一种由LLMs驱动的两阶段双反馈任务规划器ReProg+，该规划器专门为基于视觉数据的情境感知任务规划设计。我们的解决方案在真实视觉场景中的有效性、可靠性和优势得到了全面验证。此外，SATP已在真实机器人上进行了测试，结果表明了该方法可行且有效。
Keyword:
Service robots
task planning
active task cognition
situation-aware
large language models
期刊
IF:
11.1
论文数:
892
被引数:
3.1W
机构
引用论文
Task and Motion Planning with Large Language Models for Object Rearrangement基于大语言模型的任务与运动规划用于物体重排
OAAI
OAAI分享收藏Integrating action knowledge and LLMs for task planning and situation handling in open worlds整合行动知识和LLMs，以在开放世界中进行任务计划和情况处理.png)
AUTONOMOUS ROBOTS
AUTONOMOUS ROBOTSIF4.3
PREAI
分享收藏SMART-LLM: Smart Multi-Agent Robot Task Planning using Large Language ModelsSMART-LLM：基于大型语言模型的智能多智能体机器人任务规划
PREAI
分享收藏
查看更多内容