您当前位置:21世纪营销网 >> 品牌

懒人福音,谷歌让机器训练机器,用大语言模型定制专属于你的家务机器人

发布时间 2023-05-23 14:15 -- 来源 网络    
【导读】能根据你的喜好定制的家务机器人,来了!想把深色衣服和浅色衣服分开洗?没问题,机器人分分钟就能帮你分好类:被垃圾分类的问题搞得焦头烂额?没关系,也交给机器人来做:总之,分类识别、定向放置……一切都凭你的习惯。更关键的是,利用大语言模型,不需要...
懒人福音,谷歌让机器训练机器,用大语言模型定制专属于你的家务机器人

能根据你的喜好定制的家务机器人,来了!

想把深色衣服和浅色衣服分开洗?没问题,机器人分分钟就能帮你分好类:

被垃圾分类的问题搞得焦头烂额?没关系,也交给机器人来做:

总之,分类识别、定向放置…… 一切都凭你的习惯。

更关键的是,利用大语言模型,不需要大量数据,也无需场景化学习,几句话就能轻松调教。

这款整理机器人名为 TidyBot,由谷歌与美国多所高校联合打造,通讯作者来自普林斯顿大学。

让机器训练机器

对于物品整理机器人的定制,最难的一环就是用户偏好的分析。

传统上,这类信息需要通过海量的数据分析才能得到。

而 TidyBot 是使用 LLM 分析用户喜好信息的。

用户给出的具体实例,比如依据颜色将不同服饰分别放入衣柜和抽屉,会被转换成 Python 风格的 LLM 提示信息。

objects=receptacles=("drawer","closet")pickandplace("yellowshirt","drawer")pickandplace("darkpurpleshirt","closet")pickandplace("whitesocks","drawer")pickandplace("blackshirt","closet")#Summary:

最后的概述是由 LLM 反馈的,具体到这个例子当中,LLM 生成了如下结论:

#Summary:Putlight-coloredclothesinthedraweranddark-coloredclothesinthecloset.

该结论在接下来的环节中会被用于判定未知物品应该被放到哪里,前一步的输出结果在这里作为提示的开头。

#Summary:Putlight-coloredclothesinthedraweranddark-coloredclothesinthecloset.objects=receptacles=("drawer","closet")pickandplace"blacksocks",

然后,LLM 会输出几个新颜色衬衫和袜子的放置位置。

pickandplacepickandplace("whiteshirt","drawer")pickandplace("navysocks","closet")pickandplace("beigeshirt","drawer")

除了放置的位置,LLM 也能分析其他操作信息,比如是需要“放”还是“扔”。

objects=pickandplace("yellowshirt")pickandplace("darkpurpleshirt")pickandtoss("whitesocks")pickandplace("blackshirt")#Summary:Pickandplaceshirts,pickandtosssocks.

同样的,使用 LLM 总结出的信息可以判断应对未知物体执行何种操作。

#Summary:Pickandplaceshirts,pickandtosssocks.objects=#以下为LLM输出结果:pickandtoss("blacksocks")pickandplace("whiteshirt")pickandtoss("navysocks")pickandplace("beigeshirt")

其他动作信息原理也都相同。

有了 LLM 给出的信息,接下来就要应用到实际工作中了。

TidyBot 的系统中预置了很多物品的分类标签,LLM 指令的执行方式也已经由程序设定。

TidyBot 首先让图像识别模块判断出物品的基本信息,然后传给 LLM 生成指令,并交付执行。

TidyBot 工作流程示意图

由于只有极少量的数据需要进行区分,TidyBot 具有很强的鲁棒性。

同时,它能对来自任意用户的任何物品进行分类,又有很强的灵活性。

基准测试成绩亮眼

除了 TidyBot 本身,测试基准数据集也是该团队的另一重要贡献。

该数据集包含了 96 组以文本形式描述的任务场景,具体包括已知和未知操作方式的物品和相应的容器。

在每个场景中,容器的数量为 2-5 个,已知操作方式的物品数量为 4-10 个,未知物品数量与已知相同。

这 96 个场景涵盖了客厅、卧室、厨房和储藏室四种房间类型,每个类型 24 组。

测试数据集节选,完整版可从 GitHub 中获取

实际环境中,由于对物品分类的方式多种多样,团队分别从不同分类角度对 TidyBot 的表现进行了测试,具体包括:


物品大类,如“服装”和“玩具”


物品属性,如“金属材质”和“塑料材质”


物品功能,如“夏装”和“冬装”


物品子类,如“衬衫”和“其他服装”


复合类型,如“图书和玩具”


整体上,TidyBot 的准确率达到了 91.2%,超过了 WordNet、RoBERTa 等其他方式。

具体分类角度上的结果也是如此。

上述数据只是在理论层面对 TidyBot 的分类能力进行测试。

在实际应用中,TidyBot 的表现同样不俗。

团队一共搭建了 8 个真实场景。

测试使用的真实场景

每个场景各包括 10 件物品、2-5 个容器和 4-10 条已知信息。

测试中使用的容器和未知物品

每个场景都进行了重复测试,最终各测试了 3 次,即一共 10*8*3=240 次操作。

在这 240 次操作中,TidyBot 的正确率达到了 85%。

论文地址:

项目主页:

GitHub 页面:

免责声明:该文章系本站转载,旨在为读者提供更多信息资讯。所涉内容不构成投资、消费建议,仅供读者参考。

热文推荐