教導機器人根據使用者偏好整理房間
在家務方面，每個人所需的整理方式都有所不同。因此現在的家庭機器人，尤其是旨在協助人類進行家務的機器人，理想狀況下應該能夠以考慮個人偏好的方式完成任務。普林斯頓大學和斯坦福大學的研究人員最近利用大型語言模型（LLM），這是一種人工智慧模型類別，經過 ChatGPT 的發布後愈加普及，致力於個性化家庭機器人的協助方式。在其論文中，他們將這種方法應用在一個名為 TidyBot 的移動機器人上，旨在整理室內環境。
大型語言模型（LLM）適於機器人偏好個性化
「要使機器人有效地為其提供個人化的實體協助，必須學習可廣泛應用於未來情況的使用者偏好。」研究人員在其論文中寫道。
這些研究人員提出了一種利用大型語言模型的方法，如 ChatGPT 的基於人工智慧的模型，這些模型在關鍵議題上擁有相當出色的概括能力。在研究的一部分中，他們使用 LLM 來建立使用者在整理時的偏好概述，這基於使用者提供的一些輸入。例如，使用者可能插入文字輸入，如「紅色衣服放在抽屜裡，白色衣服放在衣櫃裡，」而模型在過後將製定出一般化的偏好，然後指導機器人的行動。
讓機器人個性化協助的關鍵挑戰在於確保擺放每件物件的適當位置，因為個人口味或文化背景的不同可能會導致差異；例如，一個人喜歡把襯衫放在抽屜裡，而另一個人則喜歡把襯衫放在架子上。因此研究人員的目標是建立一個系統，該系統可以透過與特定人互動的先前互動，從很少的例子中學習此類偏好。他們展示了機器人可以結合基於語言的計劃、感知和大型語言模型的由很少次的概括學習，推斷出廣泛應用於未來互動的一般使用者偏好。
將大型語言模型用於機器人技術的發展
為了評估他們的方法，研究人員進行了一系列測試，評估了其由基於文字的資料集提供的概括偏好以及它對真實機器人進行個性化整理的能力的影響。他們將其特別應用於 TidyBot，這是他們開發的一款能夠清潔地板，同時收集周圍的隨機物品並將它們放在特定位置的機器人。
「這種方法實現了快速適應並在我們的基準資料集中達到了 91.2%的準確性。」研究人員寫道。「我們還在名為 TidyBot 的現實世界移動操作機器人上展示了我們的方法，該機器人在現實世界測試場景中成功收納了 85.0％的物品。」
這個研究小組的最新工作突顯了大型語言模型的潛力，不僅作為幫助使用者完成書面任務或回答問題的工具，還可以增強機器人系統的能力。未來，這可以激勵其他團隊開始測試這些模型在機器人應用中的潛力。研究人員提出的 LLM-based 方法以及他們開發的 TidyBot 機器人，可能很快也會為建立能夠按照使用者偏好完成家務和環境整理的先進家庭機器人做出貢獻。進一步研究還可以進一步發展和提高效能，例如在高度雜亂的環境中表現更好。
「我們現實世界的實現包含簡化的部分，如使用手寫的操作基元、使用自上而下的抓取、並預定已知的容器位置。」研究人員寫道。「可以透過將更先進的基元結合到我們的系統中以及擴充套件感知系統的能力來解決這些約束。此外由於移動機器人無法開車穿過物件，因此該系統在有極度雜亂時將無法很好地執行。可以透過結合更高級的高層級規劃來實現決定是否需要首先清除透過雜物執行的路徑。"
