文章主要内容总结
本文针对大型语言模型(LLMs)在具身任务规划中存在的不足,提出了一种基于强化学习的框架Embodied Planner-R1,旨在通过自主探索提升LLMs的交互式规划能力。
现有方法依赖静态知识生成开环动作脚本,难以学习动作与环境反馈的因果关系,尤其在部分可观测环境中表现不佳。Embodied Planner-R1通过三个核心创新解决这些问题:
- 群体滚动(Group Rollout):无需人类标注,通过并行探索实现环境内交互,高效积累多样化的交互轨迹;
- 完成驱动的稀疏奖励:仅基于任务是否完成给予奖励(完成得1分,未完成得0分),避免奖励欺骗,鼓励自主探索;
- 交互式策略优化(IPO):针对多轮ReAct式轨迹设计,通过群体归一化优势估计和KL散度正则化,高效利用群体轨迹进行策略更新,解决长序列训练中的概率退化问题。
实验在两个文本型具身规划基