Generative Expressive Robot Behaviors using Large Language Models

要約

人々は、他人と効果的にコミュニケーションを取り、自分の行動を調整するために、表現的な行動を採用しています。たとえば、自分を見つめている人に頷いて認めたり、混雑した廊下で人を追い越すときに「すみません」と言うなどです。
人間とロボットのインタラクションにおいても、ロボットが表現力豊かな行動を示してほしいと考えています。
これまでの研究では、新しいコミュニケーション様式や社会的状況に対応するのに苦労するルールベースの手法が提案されていますが、データ駆動型の手法では、ロボットが使用される各社会的状況に特化したデータセットが必要です。私たちは、大規模な言語モデルから利用可能な豊富な社会的コンテキストを活用することを提案します。
(LLM) と、指示やユーザーの好みに基づいてモーションを生成し、相互に構築して適応性と構成可能な表現力豊かなロボットのモーションを生成する機能です。
私たちのアプローチでは、数ショットの思考連鎖プロンプトを利用して、ロボットが利用可能で学習したスキルを使用して人間の言語命令をパラメータ化された制御コードに翻訳します。
ユーザー調査とシミュレーション実験を通じて、私たちのアプローチがユーザーにとって有能で理解しやすいと思われる行動を生み出すことを実証しました。
補足資料は https://generative-expressive-motion.github.io/ にあります。

要約(オリジナル)

People employ expressive behaviors to effectively communicate and coordinate their actions with others, such as nodding to acknowledge a person glancing at them or saying ‘excuse me’ to pass people in a busy corridor. We would like robots to also demonstrate expressive behaviors in human-robot interaction. Prior work proposes rule-based methods that struggle to scale to new communication modalities or social situations, while data-driven methods require specialized datasets for each social situation the robot is used in. We propose to leverage the rich social context available from large language models (LLMs) and their ability to generate motion based on instructions or user preferences, to generate expressive robot motion that is adaptable and composable, building upon each other. Our approach utilizes few-shot chain-of-thought prompting to translate human language instructions into parametrized control code using the robot’s available and learned skills. Through user studies and simulation experiments, we demonstrate that our approach produces behaviors that users found to be competent and easy to understand. Supplementary material can be found at https://generative-expressive-motion.github.io/.

arxiv情報

著者 Karthik Mahadevan,Jonathan Chien,Noah Brown,Zhuo Xu,Carolina Parada,Fei Xia,Andy Zeng,Leila Takayama,Dorsa Sadigh
発行日 2024-01-26 06:34:32+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO パーマリンク