文章核心观点 - 提出了一种结合大型语言模型与行为树的人机交互学习机制，旨在提升机器人对新任务的学习能力与应对外部干扰的适应性 [5][7] - 该方法通过设计上下文、引入人机交互修正，使LLM能生成可直接应用于机器人的动作知识，并在多项任务测试中展现出优于基线方法的性能 [12][17] 技术方法 - 为LLM设计了包含提示工程、操作基元与动作数据库的上下文，以规范输出并提供示例 [5] - 引入人机交互环节，引导LLM修正和完善其生成的动作知识，经多轮引导和用户确认后存入动作数据库 [7] - 生成的动作知识以行为树形式实施，其条件可由行为树规划器动态扩展为子树，以应对外部干扰 [7] 实验设计与结果 - 设计了8个涉及物体操作的任务，分为易、中、难三个难度级别进行评估 [9] - 在两种LLM测试中，所提方法的学习性能均优于无人机交互的基线方法 [12] - 通过人机交互修正，所提方法在8项任务中的成功率超过80% [12] - 在设计了外部干扰的相同8项任务中，所获动作知识的成功率超过70% [14] - 在泛化能力测试中，动作知识在部分任务对新操作对象的成功率超过70%，但在另一些任务中低于40%，表明参数适应性是关键，微调可进一步提高成功率 [17] 相关企业列举 - 文章末尾列举了工业机器人、服务与特种机器人、医疗机器人、人形机器人、具身智能、核心零部件及教育机器人等多个领域的相关企业 [23][24][25][26][27][28][29][30]