Meta-Ctrl：通过解耦句法和语义约束来保证计划生成

LLM 为机器人生成流畅的计划，但经常违反它们执行时必须满足的句法和语义约束，并且现有的补救措施以形式保证来换取计划质量：软方法（可供性评分、基于环境信息的解码）无法提供保证，而符号规划器（LLM+P）则丢弃了 LM 的常识。我们提出 \textbf{Meta-Ctrl}，一个约束解码框架，它保证编码约束，同时保持基本 LM 的计划质量。 Meta-Ctrl 引入了 \emph{meta-tokens}——一种具有明确环境含义的动作的紧凑词汇表——在 词元级 上强制执行语法，并在操作级别上执行语义（先决条件、目标、排序），这是一种精确的分解，可将受限解码的内存从超过 107TB 削减到 2GB 以下。有了它，小型开放权重 LM 就变得具有竞争力，否则它位于排行榜的底部：在 LoTa-Bench 协议下的 WAH-NL 上，它达到了报告的最高子目标成功率，超过了 GPT-4，并且在整个Embodied Agent Interface上获得了一致的增益。我们在真实的桌面机器人上进一步演示了它，其中每个生成的计划都通过构造满足其前提条件和目标。项目网站：https://metactrlg.github.io