Решение задач, требующих выполнения нескольких шагов, представляет значительные вызовы в робототехнике, особенно в реальных приложениях, где роботы работают в неопределенных средах.
Практические решения:
Исследователи из Университета Райса представили фреймворк RAG-Modulo, который улучшает работу агентов на основе LLM, оснащая их памятью взаимодействий. Эта память позволяет роботам извлекать прошлый опыт и применять его в будущих задачах, что улучшает принятие решений со временем.
Фреймворк использует набор критиков для оценки реализуемости действий и предоставляет обратную связь на основе синтаксиса, семантики и низкоуровневой политики. Это обеспечивает необходимую контекстную адаптацию без необходимости ручной настройки.
Результаты показывают, что RAG-Modulo существенно повышает эффективность роботов в выполнении задач, сокращая число неосуществимых действий и времени на завершение задач.
