ALRM: Agentic LLM for Robotic Manipulation
本文介绍了 ALRM，这是一个代理式大语言模型（LLM）框架，它通过一个支持“代码即策略”（Code-as-Policy）和“工具即策略”（Tool-as-Policy）执行模式的模块化 ReAct 式循环，将自然语言推理与机器人操控连接起来，并通过一个包含 56 个语言多样化任务的新基准测试进行了验证。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你有一个非常聪明、博学多才的机器人助手。你想让它收拾你的厨房，但你不是给它一个僵化的、预先写好的脚本，比如“拿起勺子，移动到水槽”，你只是说：“嘿，能不能请你把这些脏盘子清理一下？”
长期以来，机器人一直很难处理这种情况。它们就像是背诵了剧本但如果剧本中改动了一个词就会卡壳的演员。如果你说“把盘子扔掉”而不是“移动盘子”，机器人可能会陷入停滞。
这篇论文介绍了一个名为 ALRM（用于机器人操控的代理式大语言模型）的新系统，它教会机器人如何像人类一样思考、规划并进行实时适应。
机器人“思考”的两种方式
研究人员发现，机器人可以通过两种不同的方式来处理你的请求，就像两种不同的工作风格：
“代码编写者”（Code-as-Policy，代码即策略）：
想象机器人是一个程序员。当你给它一个任务时，它会立即编写一段短小的计算机程序（脚本）来解决问题，然后点击“运行”。它既快速又高效，就像一位熟记食谱的厨师，一口气就能完成整顿饭。然而，如果它在食谱中出了一个小小的拼写错误，整道菜可能就会烧焦，它必须从头开始。“工具使用者”（Tool-as-Policy，工具即策略）：
想象机器人是一个侦探。它不会编写整个脚本，而是将工作分解成微小的步骤。它会说：“首先，我要寻找盘子。好了，我找到了。现在，我要抓起它。噢，等等，我的手滑了。让我再试一次。”它使用一种“工具”来完成一件小事，检查结果，然后决定下一步该做什么。这种方式比较慢，因为需要花时间思考，但它在实时修复错误方面表现得更好。
操作的“大脑”
该系统使用一个特殊的“大脑”（大语言模型，简称 LLM）来充当项目经理。
- 规划器（The Planner）： 这部分负责倾听你的请求（“清理桌子”）并将它分解成逻辑严密的微小步骤（“找到杯子”、“拿起杯子”、“把杯子放入水槽”）。
- 执行器（The Executor）： 这部分负责实际操作，要么运行规划器编写的代码，要么通过“工具”逐步执行。
- 循环（The Loop）： 如果机器人掉落了杯子，执行器会告诉规划器：“我把它弄掉了。”规划器会说：“好吧，让我们尝试再次拿起它。”这个循环会一直持续，直到任务完成。
他们给机器人的“考试”
为了测试这个系统是否真的有效，研究人员不仅仅是在简单的指令上进行测试。他们创建了一个复杂的“考试”，包含三个不同虚拟房间（厨房、箱子存储区和水果碗）中的 56 个不同任务。
他们用以下类型的指令测试了机器人：
- 简单型： “拿起柠檬。”
- 复杂型： “抓取酸味水果和大型水果。”（机器人必须在没有被告知名称的情况下，自行判断哪种水果是酸的，哪种是大的）。
- 话痨型： “嘿，这些水果都烂了！把柠檬和桃子扔进垃圾桶！”（机器人必须忽略多余的闲聊，专注于动作本身）。
他们测试了 10 个不同的“大脑”（AI 模型），范围从庞大、强大的模型（如 Claude-4.1-Opus）到可以在单台计算机上运行的较小、较轻量级的模型（如 Falcon-H1-7B）。
结果：谁赢了？
- 性能王者： 最大、最昂贵的 AI 模型（Claude-4.1-Opus）在“工具使用者”方法中表现最佳。它解决了几乎 94% 的任务，甚至是那些复杂的任务，但因为它考虑得非常周全，所以需要更长的时间来思考。
- 速度达人： 较小的开源模型（Falcon-H1-7B）成为了一个惊喜之星。当使用“代码编写者”方法时，它完成了 84% 的任务，并且比大型模型快得多。它几乎可以媲美那些巨型模型，而且不需要超级计算机来运行。
- 挣扎者： 较小的模型在“工具使用者”方法中表现得很吃力。当它们需要每做一个微小步骤就停下来思考时，它们会感到困惑，往往无法完成任务。
核心结论
这篇论文表明，我们不再需要强迫机器人遵循僵化的脚本。通过赋予它们一个能够规划、使用工具并编写代码的“代理式”大脑，机器人可以理解自然语言，处理错误，并解决像清理凌乱桌面这样的复杂多步谜题。
研究得出结论，为了获得最佳效果，你可以使用强大的云端 AI 进行复杂推理，或者使用较小的本地 AI，如果你追求速度且可以接受稍微简单一点的任务。这是迈向能真正理解我们“意图”而非仅仅理解我们“言语”的机器人的重要一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。