Skill-SLM：代理技能驱动的小语言模型，用于可靠的机器人操作

小语言模型 (SLM) 越来越多地应用于机载机器人操作，因为它们可以实现智能决策。然而，现有的方法主要是面向蒸馏的，并且依赖于枚举代表性的任务-解决方案对。这使得数据集构建变得困难，并限制了其可能形式快速增长的各种机器人任务的泛化。本文提出了 Skill-SLM，这是一个将 SLM 驱动的机器人操作重新表述为任务分解和技能组合问题的框架。给定自然语言任务指令，Skill-SLM 将任务分解为子任务，从技能库中选择适当的技能，并将所选技能编排为可执行的机器人操作。首先，为了支持技能驱动的工作流程，我们提出了一种新颖的机器人操作技能感知上下文无关语法（CFG）来提取完成任务所需的技能并相应地构建技能库。然后，我们配置LLM教师来归纳和综合SLM的训练数据集，使SLM能够分解任务并编排技能 可靠。此外，我们采用渐进式技能编排策略来提高技能实施和机器人整体操作的可靠性。无人机操作任务的实验表明，Skill-SLM 的性能大大优于面向蒸馏的基线，尤其是在需要能力泛化的看不见的任务上。地面车辆任务的额外实验进一步证明了 Skill-SLM 可以应用于不同的机器人平台。