SRLM: Human-in-Loop Interactive Social Robot Navigation with Large Language Model

本篇文章属于LLM系列内容，主要对《SRLM: Human-in-Loop Interactive Social Robot Navigation with Large Language Model __ and Deep Reinforcement Learning》这一文献进行语言转换处理。

SRLM：具有大语言模型和深度强化学习的人在环交互式社交机器人导航

• 摘要
  • 1 引言
  • 2 背景
  • 3 前言
  • 4 方法
  • 5 实验与结果
  • 6 结论

摘要内容提炼

在高度复杂且人员密集的环境中，交互式社交机器人助手需要提供服务，并依据实时的人类语言指令或反馈动态调整自身行为。本研究中，我们提出了一种创新的混合策略，即社交机器人规划器（SRLM），该方法融合了大型语言模型（LLM）与深度强化学习（DRL），旨在实现于人群密集的公共区域内的导航及多样化社会服务功能。SRLM能够实时解析来自人机交互中的指令信息，生成全局路径规划，并将社会行为特征编码至基于LLM构建的大型导航模型（LNM）中，以指导低层级的运动控制。同时，还设计了一个依托深度强化学习框架的规划模块，用以维持系统的基础性能水平，该模块通过引入大反馈模型（LFM）与LNM进行融合处理，从而有效缓解当前由文本及LLM驱动的LNM所存在的稳定性问题。最终实验结果表明，SR