VirtualHome2KG: Constructing and Augmenting Knowledge Graphs of Daily Activities Using Virtual Space
PulseAugur coverage of VirtualHome2KG: Constructing and Augmenting Knowledge Graphs of Daily Activities Using Virtual Space — every cluster mentioning VirtualHome2KG: Constructing and Augmenting Knowledge Graphs of Daily Activities Using Virtual Space across labs, papers, and developer communities, ranked by signal.
-
神经符号智能体增强具身AI计划的可执行性
研究人员开发了一种新颖的神经符号智能体，旨在提高由语言和视觉语言模型生成的具身计划的可执行性。该智能体解决了模型输出可能违反环境动态或错误识别实体的问题。它首先使用视觉语言模型和探索技术来收集相关信息并创建符号初始状态，然后使用PDDL转换模型将规划限制在有效操作内。这种方法确保了计划在构建时即可执行，并在VirtualHome和ALFWorld基准测试中取得了超过90%的成功率，显著优于直接视觉策略。
-
新框架SENTINEL正式评估AI具身智能体的安全性
研究人员推出了一种新颖的框架SENTINEL，旨在形式化评估由基础模型驱动的具身智能体的物理安全性。该框架提供了一个多层次的安全评估，在一个统一的系统中涵盖了语义理解、计划生成和物理执行。SENTINEL利用形式化时序逻辑来指定安全需求，并根据这些精确的规范验证智能体对环境的理解、行动计划和执行轨迹。
-
新模型和框架推动具身AI能力发展
研究人员正在开发先进的模型和框架，以实现更具能力的具身人工智能。一种方法是Athena-Brain-8B，一个为设备端机器人大脑设计的8B LLM，展现出强大的通用智能和具身交互能力，并能给出简洁的响应。另一篇论文探讨了Edmund Berkeley和David L. Heiserman的历史工作，将其视为一个未被充分探索的具身智能架构，将逻辑与硬件和时间扩展行为联系起来。此外，一个1.5B的开源VLA模型MiniCPM-Robot，…
-
大型语言模型与答案集编程相结合，提高了机器人任务规划的准确性
研究人员开发了CLMASP，这是一种将大型语言模型（LLMs）与答案集编程（ASP）相结合以增强机器人任务规划的新方法。该方法利用LLMs进行初步计划生成，并利用ASP结合具体的机器人动作知识来完善这些计划，将抽象的LLM输出转化为可执行的机器人上下文。在VirtualHome平台上的实验表明，CLMASP将可执行计划的成功率从不到2%显著提高到90%以上，证明了其在实际机器人应用中的有效性。