IROS2025论文分享：基于大语言模型与行为树的人机交互学习实现自适应机器人操作

近年来，大型语言模型 （ Large Language Model, LLM ）展现出了强大的自然语言处理能力。许多研究已 将 LLM 应用于机器人，以实现指令执行任务，例如 SayCan 、 RT-2 、 VoxPoser 等。然而，这些方法需 要反复调用 LLM 来处理外部干扰，这是一个非常耗时的过程。 机器人领域的一个活跃研究方向是将 LLM 与行为树（ Behavior Tree, BT ）相结合。 LLM 被用于将用户指 令解释为包含任务目标条件的行为树。当外部干扰导致 BT 中的条件无法达成时，行为树规划器（ BT Planner ）会基于动作数据库（ Action Database ），迭代地将未达成的条件扩展为子树，旨在通过执行动 作来达成这些条件。 尽管这些方法能够以较少的 LLM 调用次数处理外部干扰，但动作数据库是人工预先构建的。当应用于超出 BT Planner 能力范围的新任务时，则需要具备增量学习能力。强化学习需要大量的训练和精心设计的奖励函 数；模仿学习需要大量的专家示范数据；无监督学习可能导致结果偏离预期。一种新颖的方法是使用 LLM 来 学习机器人操作。然而，使用 LLM 生 ...