Chat with the Environment: Interactive Multimodal Perception using Large Language Models

要約

複雑な世界でロボットの動作をプログラミングするには、器用な低レベルのスキルから高レベルの計画と推論まで、複数のレベルで課題に直面します。
最近の事前訓練された大規模言語モデル (LLM) は、ゼロ ショット ロボット計画において驚くべき推論能力を示しています。
ただし、ロボットがその環境と対話し、そのポリシーが展開するにつれて新しい情報を取得できるようにしながら、マルチモーダルな感覚入力と継続的なアクション出力でLLMを接地することは依然として困難です。
タスクを正しく実行できるようになる前に、複数のモダリティ間で感覚情報をサンプリングするために、ロボットが一連の認識行動を決定する必要がある、部分的に観察可能な状態を持つロボット相互作用シナリオを開発します。
したがって、LLM をバックボーンとするインタラクティブな知覚フレームワークが提案されます。LLM の能力は、認識行動を指示し、結果として生じるマルチモーダルな感覚 (視覚、音、触覚、固有受容) を推論し、タスク全体の実行を計画するために利用されます。
インタラクティブに取得した情報について。
私たちの研究は、LLM が高レベルの計画と推論のスキルを提供し、マルチモーダル環境でインタラクティブなロボットの動作を制御できることを示しています。一方、環境状態のコンテキストを備えたマルチモーダル モジュールは、LLM を接地し、処理能力を拡張するのに役立ちます。

要約(オリジナル)

Programming robot behaviour in a complex world faces challenges on multiple levels, from dextrous low-level skills to high-level planning and reasoning. Recent pre-trained Large Language Models (LLMs) have shown remarkable reasoning ability in zero-shot robotic planning. However, it remains challenging to ground LLMs in multimodal sensory input and continuous action output, while enabling a robot to interact with its environment and acquire novel information as its policies unfold. We develop a robot interaction scenario with a partially observable state, which necessitates a robot to decide on a range of epistemic actions in order to sample sensory information among multiple modalities, before being able to execute the task correctly. An interactive perception framework is therefore proposed with an LLM as its backbone, whose ability is exploited to instruct epistemic actions and to reason over the resulting multimodal sensations (vision, sound, haptics, proprioception), as well as to plan an entire task execution based on the interactively acquired information. Our study demonstrates that LLMs can provide high-level planning and reasoning skills and control interactive robot behaviour in a multimodal environment, while multimodal modules with the context of the environmental state help ground the LLMs and extend their processing ability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google