PulseAugur
中
实时 15:32:40
English(EN) Low-Burden LLM-Based Preference Learning: Personalizing Assistive Robots from Natural Language Feedback for Users with Paralysis

LLM为瘫痪用户个性化辅助机器人

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新框架，该框架使用大型语言模型（LLM）为瘫痪个体个性化辅助机器人。该系统将非结构化的自然语言反馈直接转化为机器人控制策略，绕过了传统、体力要求高的偏好学习方法。LLM以职业治疗实践框架为基础，将用户反馈解释为特定需求，然后将其转换为决策树。一个自动化的基于LLM的裁判在部署前验证生成代码的安全性。一项针对10名瘫痪成年人的研究表明，与现有方法相比，这种自然语言方法显著减轻了用户的工作量，职业治疗师也证实了策略的安全性和准确性。 AI

影响 使运动障碍用户的辅助机器人能够进行更直观、负担更小的个性化。

排序理由 学术论文，详细介绍了基于LLM的机器人偏好学习的新方法。[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 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Keshav Shankar, Dan Ding, Wei Gao ·

    Low-Burden LLM-Based Preference Learning: Personalizing Assistive Robots from Natural Language Feedback for Users with Paralysis

    arXiv:2604.01463v2 Announce Type: replace-cross Abstract: Physically Assistive Robots require personalized behaviors to ensure user safety and comfort. However, traditional preference learning methods, like exhaustive pairwise comparisons, cause substantial physical and cognitive…

相关实体

相关话题