ترجمه فارسی مقاله شفاف سازی دقیق و کارآمد ساختار از طیف های معمولی یک بعدی NMR با استفاده از یادگیری ماشین چند وظیفه ای

چکیده

Enabling humanoid robots to perform autonomously loco-manipulation in unstructured environments is crucial and highly challenging for achieving embodied intelligence. This involves robots being able to plan their actions and behaviors in long-horizon tasks while using multi-modality to perceive deviations between task execution and high-level planning. Recently, large language models (LLMs) have demonstrated powerful planning and reasoning capabilities for comprehension and processing of semantic information through robot control tasks, as well as the usability of analytical judgment and decision-making for multi-modal inputs. To leverage the power of LLMs towards humanoid loco-manipulation, we propose a novel language-model based framework that enables robots to autonomously plan behaviors and low-level execution under given textual instructions, while observing and correcting failures that may occur during task execution. To systematically evaluate this framework in grounding LLMs, we created the robot ‘action’ and ‘sensing’ behavior library for task planning, and conducted mobile manipulation tasks and experiments in both simulated and real environments using the CENTAURO robot, and verified the effectiveness and application of this approach in robotic tasks with autonomous behavioral planning.

چکیده به فارسی (ترجمه ماشینی)

فعال کردن روبات های انسان دوستانه برای انجام خودمختاری محلی در محیط های بدون ساختار برای دستیابی به هوش تجسم یافته بسیار مهم و بسیار چالش برانگیز است.این شامل روبات ها می شود که قادر به برنامه ریزی اقدامات و رفتارهای خود در کارهای طولانی افکار در حالی که از چند مدلی برای درک انحراف بین اجرای کار و برنامه ریزی سطح بالا استفاده می کنند.به تازگی ، مدل های بزرگ زبان (LLMS) برنامه ریزی و استدلال قدرتمندی را برای درک و پردازش اطلاعات معنایی از طریق کارهای کنترل ربات و همچنین قابلیت استفاده از قضاوت تحلیلی و تصمیم گیری برای ورودی های چند مدلی نشان داده اند.برای بهره‌گیری از قدرت LLMS به سمت مدیریت محلی انسان ، ما یک چارچوب جدید مبتنی بر زبان را پیشنهاد می کنیم که روبات ها را قادر می سازد رفتارهای مستقل و اجرای سطح پایین را تحت دستورالعمل های متنی داده شده ، ضمن مشاهده و تصحیح خرابی هایی که ممکن است در هنگام اجرای کار رخ دهد ، برنامه ریزی کنند.برای ارزیابی سیستماتیک این چارچوب در زمینه LLMS ، ما کتابخانه رفتار “عمل” و “سنجش” را برای برنامه ریزی کار ایجاد کردیم و وظایف و آزمایشات دستکاری موبایل را در هر دو محیط شبیه سازی شده و واقعی با استفاده از ربات Centauro انجام دادیم و اثربخشی و کاربرد را تأیید کردیماین رویکرد در کارهای روباتیک با برنامه ریزی رفتاری خودمختار.