Enhancing Robot Learning through Cognitive Reasoning Trajectory Optimization under Unknown Dynamics

Abstract

机器人 快速掌握作技能是一项重大挑战， 受制于物理设备的寿命和安全 要求。目前，强化学习技术在 解决涉及丰富接触的动态、无结构问题 场景。然而，这些算法的收敛率通常为 由于机器人状态-动作映射的维度较高，速度较慢 空间以及广泛的初始政策搜索空间。与此同时， 大型语言模型（LLM）的进步赋予了这些模型 具有一定的逻辑推理能力，使他们能够接受 机器人初期阶段的主动目标导向行动 任务。这些模型可以隐式生成状态的特征和 揭示轨迹生成中的潜在模式。然而，复杂地说 涉及丰富接触场景的作性任务，LLM依然会失败 短暂。因此，整合了 的强大交互功能 &