HUMEMBR：学习人类例程以进行预测性实体导航

在考虑人类行为和惯例的同时，长时间理解和导航以人为中心的环境仍然是机器人技术的一个基本挑战。在现实世界中，机器人可能会被要求定位特定的人，预测该人可能在哪里，或者估计他们通常离开建筑物的时间。解决此类问题需要对广泛的观察历史进行推理并捕获长期行为模式。为此，我们引入了以人为中心的实体机器人记忆（HUMEMBR），这是一个专为实体问答和常规条件导航而设计的系统。 HUMEMBR 将连续内存构建过程与并行检索和查询机制集成在一起，使系统能够积累人类例程的结构化表示，同时支持交互式、用户驱动的查询。我们的实验结果表明，相对于全上下文 LLM 基线，HUMEMBR 改进了关于人类行为的长视野推理，同时使用的标记少得多。此外，我们在两个不同环境中的物理机器人上部署了 HUMEMBR，展示了其在现实条件下处理各种查询和导航任务的能力。