認識BrainBody-LLM算法：讓機器人像人一樣思考與行動

想象一下，一個機器人不僅能聽從指令，還能像人類一樣規(guī)劃行動、實時調整動作并從反饋中學習。這聽起來或許有些天方夜譚，但紐約大學坦登工程學院的研究人員通過其新算法BrainBody-LLM實現(xiàn)了這一目標。

此前，機器人技術面臨的主要挑戰(zhàn)之一，是創(chuàng)建能夠在不可預測環(huán)境中靈活執(zhí)行復雜任務的系統(tǒng)。傳統(tǒng)的機器人編程或現(xiàn)有基于大語言模型（LLM）的規(guī)劃器常常力不從心，因為它們生成的計劃可能并未完全基于機器人實際能執(zhí)行的動作。

BrainBody-LLM通過使用大語言模型（即驅動ChatGPT的同類型AI）來規(guī)劃和完善機器人動作，從而應對這一挑戰(zhàn)。這可能會讓未來的機器變得更智能、適應性更強。

讓機器人學會思考的秘訣

BrainBody-LLM算法模擬了人類大腦與身體在運動過程中的交流方式。它包含兩個主要部分：首先是負責高層規(guī)劃的"大腦LLM"，它將復雜任務分解為更小、更易管理的步驟；隨后，"身體LLM"將這些步驟轉化為針對機器人致動器的具體指令，從而實現(xiàn)精準運動。

該算法的一個關鍵特性是其閉環(huán)反饋系統(tǒng)。機器人持續(xù)監(jiān)控自身動作及環(huán)境，將誤差信號反饋給大語言模型，使系統(tǒng)能夠實時調整和糾正錯誤。"BrainBody-LLM的主要優(yōu)勢在于其閉環(huán)架構，它促進了大語言模型各組件間的動態(tài)交互，從而能夠穩(wěn)健地處理復雜且具有挑戰(zhàn)性的任務，"該研究的第一作者、紐約大學坦登工程學院博士生瓦尼特·巴特表示。

為測試該方法，研究人員首先在VirtualHome平臺上進行了模擬實驗，讓一個虛擬機器人完成家務。隨后，他們在一臺真實的機器人手臂Franka Research 3上進行了測試。結果顯示，BrainBody-LLM相較以往方法有明顯改進，在模擬中將任務完成率提高了多達17%。在實體機器人上，該系統(tǒng)完成了大部分測試任務，證明了該算法處理現(xiàn)實世界復雜情況的能力。

拓展應用能力之時

BrainBody-LLM有望改變機器人在家庭、醫(yī)院、工廠及其他需要機器以類人適應性執(zhí)行復雜任務的場景中的應用方式。該方法還可能啟發(fā)未來結合更多能力（如3D視覺、深度感知和關節(jié)控制）的AI系統(tǒng)，幫助機器人以更自然、更精準的方式運動。

不過，該技術尚未準備好全面部署。截至目前，該系統(tǒng)僅在一小部分指令集和受控環(huán)境中進行了測試，這意味著它在開放或快速變化的現(xiàn)實場景中可能仍會面臨挑戰(zhàn)。研究人員指出："未來的工作將探索利用多樣化的傳感器模態(tài)進行反饋，提供更豐富的基礎信息，使我們能夠完善基于大語言模型的規(guī)劃算法，以實現(xiàn)在真實機器人應用中安全可靠的部署。"

該研究已發(fā)表在《先進機器人研究》期刊上。

如果朋友們喜歡，敬請關注“知新了了”！