能根據(jù)你的喜好定制的家務(wù)機器人，來了！

　　想把深色衣服和淺色衣服分開洗？沒問題，機器人分分鐘就能幫你分好類：

        被垃圾分類的問題搞得焦頭爛額？沒關(guān)系，也交給機器人來做：

　　總之，分類識別、定向放置……一切都憑你的習(xí)慣。

　　更關(guān)鍵的是，利用大語言模型，不需要大量數(shù)據(jù)，也無需場景化學(xué)習(xí)，幾句話就能輕松調(diào)教。

　　這款整理機器人名為TidyBot，由谷歌與美國多所高校聯(lián)合打造，通訊作者來自普林斯頓大學(xué)。

　　讓機器訓(xùn)練機器對于物品整理機器人的定制，最難的一環(huán)就是用戶偏好的分析。

　　傳統(tǒng)上，這類信息需要通過海量的數(shù)據(jù)分析才能得到。

　　而TidyBot是使用LLM分析用戶喜好信息的。

　　用戶給出的具體實例，比如依據(jù)顏色將不同服飾分別放入衣柜和抽屜，會被轉(zhuǎn)換成Python風格的LLM提示信息。

　　最后的概述是由LLM反饋的，具體到這個例子當中，LLM生成了如下結(jié)論：

　　該結(jié)論在接下來的環(huán)節(jié)中會被用于判定未知物品應(yīng)該被放到哪里，前一步的輸出結(jié)果在這里作為提示的開頭。

　　然后，LLM會輸出幾個新顏色襯衫和襪子的放置位置。

　　除了放置的位置，LLM也能分析其他操作信息，比如是需要“放”還是“扔”（下方Summary中的內(nèi)容由LLM生成）。

　　同樣的，使用LLM總結(jié)出的信息可以判斷應(yīng)對未知物體執(zhí)行何種操作。

　　其他動作信息原理也都相同。

　　有了LLM給出的信息，接下來就要應(yīng)用到實際工作中了。

　　TidyBot的系統(tǒng)中預(yù)置了很多物品的分類標簽，LLM指令的執(zhí)行方式也已經(jīng)由程序設(shè)定。

　　TidyBot首先讓圖像識別模塊判斷出物品的基本信息，然后傳給LLM生成指令，并交付執(zhí)行。

△TidyBot工作流程示意圖

　　由于只有極少量的數(shù)據(jù)需要進行區(qū)分，TidyBot具有很強的魯棒性。

　　同時，它能對來自任意用戶的任何物品進行分類，又有很強的靈活性。

　　基準測試成績亮眼除了TidyBot本身，測試基準數(shù)據(jù)集也是該團隊的另一重要貢獻。

　　該數(shù)據(jù)集包含了96組以文本形式描述的任務(wù)場景，具體包括已知和未知操作方式的物品和相應(yīng)的容器。

　　在每個場景中，容器的數(shù)量為2-5個，已知操作方式的物品數(shù)量為4-10個，未知物品數(shù)量與已知相同。

　　這96個場景涵蓋了客廳、臥室、廚房和儲藏室四種房間類型，每個類型24組。

△測試數(shù)據(jù)集節(jié)選，完整版可從GitHub中獲取

　　實際環(huán)境中，由于對物品分類的方式多種多樣，團隊分別從不同分類角度對TidyBot的表現(xiàn)進行了測試，具體包括：

　　物品大類，如“服裝”和“玩具”

　　物品屬性，如“金屬材質(zhì)”和“塑料材質(zhì)”

　　物品功能，如“夏裝”和“冬裝”

　　物品子類，如“襯衫”和“其他服裝”

　　復(fù)合類型，如“圖書和玩具”

　　整體上，TidyBot的準確率達到了91.2%，超過了WordNet、RoBERTa等其他方式。

　　具體分類角度上的結(jié)果也是如此。

　　上述數(shù)據(jù)只是在理論層面對TidyBot的分類能力進行測試。

　　在實際應(yīng)用中，TidyBot的表現(xiàn)同樣不俗。

　　團隊一共搭建了8個真實場景。

△測試使用的真實場景

　　每個場景各包括10件物品、2-5個容器和4-10條已知信息。

△測試中使用的容器和未知物品

　　每個場景都進行了重復(fù)測試，最終各測試了3次，即一共10*8*3=240次操作。

　　在這240次操作中，TidyBot的正確率達到了85%。