基于LLM链的通用服务机器人任务规划的设计与评估

RoboCup@Home 基准测试中定义的通用服务机器人 (GPSR) 任务要求机器人解释不同的自然语言命令并在真实的家庭环境中生成多步骤动作序列。传统的单一提示 (SP) 方法存在上下文膨胀和“迷失在中间”现象，导致任务规划不可靠。我们提出了一种 LLM 链架构，将指令分类和动作生成分为两个专门阶段，将每次推理提示长度减少约 45%，同时提高规划一致性。我们使用跨越本地开源和前沿云部署环境的三种语言模型的 100 个随机生成的 GPSR 命令来评估我们的方法。结果显示，所有型号的 SP 的规划均得到一致改进，本地型号的增益高达 +37 个百分点。此外，在丰田人类支持机器人 (HSR) 上进行的真实机器人执行实验表明，仅计划成功并不能保证任务完成，10 项任务中有 6 项成功完成，执行层故障被确定为主要的剩余瓶颈。