PulseAugur
中
实时 08:58:02
English(EN) Object Search in Partially-Known Environments via LLM-informed Model-based Planning and Prompt Selection

LLM驱动的规划框架增强了在未知环境中的物体搜索能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的、用于在部分已知环境中进行物体搜索的LLM驱动的模型基础规划框架。该方法利用大型语言模型（LLM）来估计物体在不同位置找到的概率，并结合旅行成本，从而为有效的搜索规划提供信息。该系统还包含一种提示选择方法，可以在部署期间快速选择最佳提示和LLM，与基线策略相比，从而提高了性能并降低了成本。在模拟和真实机器人上的实验证明了这种LLM驱动的规划框架的有效性。 AI

影响 这项研究可能带来更高效、更适应复杂、部分理解环境的机器人系统。

排序理由 该集群包含一篇详细介绍用于物体搜索的新型LLM驱动规划框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

LLM驱动的规划框架增强了在未知环境中的物体搜索能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Abhishek Paudel, Abhish Khanal, Raihan I. Arnob, Shahriar Hossain, Gregory J. Stein ·

    Object Search in Partially-Known Environments via LLM-informed Model-based Planning and Prompt Selection

    arXiv:2603.23800v2 Announce Type: replace-cross Abstract: We present a novel LLM-informed model-based planning framework, and a novel prompt selection method, for object search in partially-known environments. Our approach uses an LLM to estimate statistics about the likelihood o…

相关实体

相关话题