双手长视野生命护理机器人与时间上下文LLM规划和变压器增强学习学习

科学领域:

• 机器人技术 机器人技术 机器人技术
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 生命护理任务往往需要复杂的双手操作.
• 现有的机器人系统在没有大量人类数据的情况下,难以完成长期任务.
• 手动奖励功能设计耗时,限制了可扩展性.

研究的目的:

• 介绍一种新的机器人智能,TCP-TRL,用于学习复杂的双手生活护理任务.
• 消除对长视野的人类演示和手动设计奖励功能的需求.
• 提高机器人的适应性和医疗保健环境中的性能.

主要方法:

• TCP-TRL将一个大型语言模型 (LLM) 与检索增强生成 (RAG) 集成,用于高级规划 (TCP).
• TCP将文本翻译成时间行动环境,指导基于变压器的强化学习 (TRL) 框架.
• 原始行动和特定任务信息的紧数据集指导了LLM规划,生成结构化计划和TRL培训的稀疏奖励.

主要成果:

• 在四个生命护理任务中,TCP-TRL实现了81.86%的平均成功率.
• 性能与与人类演示和设计奖励相匹配的最先进的TRL模型相匹配.
• 该系统在训练过程中表现出了稳健性,并保留了时间依赖性.

结论:

• TCP-TRL提供了一个可扩展的,无需人类干预的解决方案,用于双手长视野操纵.
• 它克服了LLM的幻觉,并减少了对大数据集的依赖.
• 这种方法适用于医院和家庭护理环境中的双臂机器人.