研究发现：大型语言模型在机器人规划方面难以超越工程化系统

一项新发表在arXiv上的研究，探讨了将大型语言模型（LLMs）与任务与运动规划（TAMP）相结合用于机器人技术。研究人员开发了16种算法，用LLMs替换关键的TAMP组件，并在三个领域进行了13,750次零样本实验。研究结果表明，与传统的工程化系统相比，基于LLM的规划器通常成功率较低且规划时间更长。具体而言，提供几何细节比纯粹的PDDL描述导致更多的任务规划错误，并且在大多数场景下，直接的LLM方法优于基于推理的LLM变体。 AI

影响 这项研究表明，虽然LLMs显示出潜力，但目前工程化系统在复杂的机器人规划任务方面仍然更胜一筹，这指明了未来发展的方向。

排序理由 该集群包含一篇研究论文，详细介绍了LLMs在机器人规划方面的实验和发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Jorge Mendez-Mendez
• Large Language Models
• PDDLStream
• ScienceCast

• 论文
• 其他

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