论文阅读：Do As I Can, Not As I Say: Grounding Language in Robotic Affordances

地址：Do As I Can, Not As I Say: Grounding Language in Robotic Affordances

摘要

大型语言模型（LLM）能够编码丰富的世界语义知识，这类知识对于机器人执行自然语言表达的高层级、时间扩展指令具有重要价值。然而，语言模型的一大显著缺陷是缺乏现实世界经验，这使其难以在特定实体（如机器人）中用于决策。例如，让语言模型描述如何清理洒出的液体，可能会得到合理的叙述，但该叙述未必适用于特定智能体（如机器人）在特定环境中执行此任务的场景。本文提出通过预训练技能 实现现实世界接地：利用预训练技能约束模型，使其提出既可行又符合上下文的自然语言动作。其中，机器人可作为语言模型的 "手和眼"，而语言模型则为任务提供高层级语义知识。我们展示了如何将低层级技能与大型语言模型结合：语言模型提供执行复杂、时间扩展指令的高层级流程知识，而与这些技能相关的价值函数则提供必要的接地能力，将该知识与特定物理环境关联。我们在多个现实世界机器人任务上评估了该方法，结果表明现实世界接地的必要性，且该方法能够让移动操作机器人完成长时程、抽象的自然语言指令。项目网站、演示视频及桌面领域的开源代码可在this https URL获取。

概述

1. 研究背景与问题

• LLM 的优势与局限：LLM 从海量文本中学习到丰富的语义知识，能理解高层级任务指令，但无物理世界交互经验，输出可能 "不落地"（如建议机器人用 "吸尘器清理洒出的饮料"，但场景中无吸尘器或机器人无法操作）。
• 核心挑战：如何让具身智能体（如机器人）提取并利用 LLM 的知识，将抽象语言指令转化为符合自身能力和当前环境的可执行动作序列。

2. 解决方案：SayCan 方法

SayCan 的核心是 "Say（说） " 与 "Can（做）" 的协同：

• Say（LLM 的角色） ：提供 "任务接地"，通过语义知识判断低层级技能对高层级任务的相关性（即 "该技能是否有助于完成任务"），量化为概率（为技能的语言描述，i为用户指令）。
• Can（价值函数的角色） ：提供 "世界接地"，通过预训练的价值函数判断技能在当前环境状态下的可行性（即 "机器人能否成功执行该技能"），量化为概率（s为当前状态，为技能成功执行的伯努利变量）。
• 协同逻辑 ：技能的综合优先级由两者乘积决定，迭代选择最优技能执行，直至输出 "done" 终止。

3. 实验验证与关键结果

• 实验设置：

  • 环境：模拟厨房（技能训练环境）和真实办公厨房（泛化测试环境）；
  • 机器人：Everyday Robots 的移动操作机器人（7 自由度机械臂 + 两指夹爪）；
  • 任务：7 类共 101 个指令（单原语、抽象名词 / 动词、结构化语言、具身状态、众包指令、长时程任务）；
  • 评估指标：计划成功率（技能序列是否符合任务目标）、执行成功率（机器人是否实际完成任务，均由 3 名人类标注者多数投票判定）。

• 核心结果：

  1. 接地有效性：在模拟厨房中，SayCan（基于 PaLM-540B）实现 84% 计划成功率和 74% 执行成功率；真实厨房中为 81% 计划成功率和 60% 执行成功率，接地机制使性能较无接地基线接近翻倍。
  2. LLM 规模影响：LLM 参数越大，机器人性能越好 ------PaLM-540B（84% 计划成功率）优于 PaLM-62B（72%）和 PaLM-8B（38%），且 PaLM 系列优于同等规模的 FLAN（70% 计划成功率）。
  3. 扩展能力：支持添加新技能（如抽屉操作，计划成功率 100%）、链式思维处理否定指令（如 "带无咖啡因的果味饮料"）、多语言指令（中 / 法 / 西语计划成功率接近 100%）。

4. 局限性与未来方向

• 局限性：继承 LLM 的训练偏差；技能范围和鲁棒性是系统瓶颈；无法动态调整技能失败后的策略。
• 未来方向：利用机器人现实经验反哺 LLM（提升事实性与物理常识）；扩展接地来源（非机器人场景）；探索自然语言作为机器人编程本体的合理性。

一、论文动机

1. LLM 缺乏 "世界接地"：输出技能无法执行

LLM 仅通过文本学习语义知识，无物理世界交互经验，导致其生成的技能序列可能与机器人能力或当前环境冲突，无法实际执行。例如，用户要求 "清理洒出的饮料" 时，LLM 可能建议 "用吸尘器"，但场景中无吸尘器或机器人无法操作吸尘器（1-4、1-13）；或生成 "去商店买苹果" 这类脱离机器人能力范围的抽象步骤，无法转化为具体动作（1-26）。

2. 传统策略缺乏 "任务接地"：无法理解高层级指令

单纯的行为克隆（BC）或强化学习（RL）策略仅能执行低层级、固定的技能（如 "拾取苹果"），无法解析高层级、抽象的自然语言指令（如 "拿一个健康的零食"）。例如，BC 策略直接输入 "补充米饼" 这类抽象指令时，无法拆解为 "找米饼→拾取→放置到操作台" 的序列，执行成功率为 0%（1-69、1-73）；且无法动态调整策略以适应长时程任务（如 "扔可乐 + 拿清洁用品"）（1-67）。

3. 技能选择无动态可行性判断：难以应对环境变化

传统 LLM 生成模式（如直接输出动作文本）仅考虑 "任务相关性"，忽略 "环境可行性"，导致技能选择僵化。例如，机器人已持有苹果时，LLM 仍可能因 "拿苹果" 的任务相关性高而选择该技能，造成冗余或失败；或在无目标物体的场景中，仍输出 "拾取" 技能（1-30、1-70）。

4. 系统扩展性差：新技能、多语言等需求适配成本高

传统机器人系统添加新技能（如抽屉操作）需重构策略网络，处理多语言指令需额外训练多语言模型，无法利用 LLM 的现有能力快速适配。例如，新增 "打开抽屉" 技能时，传统方法需重新采集数据、训练独立模型，而无法通过简单扩展技能描述实现（1-80、1-99）；且对否定指令（如 "不要苹果"）、模糊指代（如 "拿那个红色的"）处理能力不足（1-67、1-96）。

二、设计架构

SayCan 的核心原理是通过 "双接地机制 " 将 LLM 的抽象语义知识与机器人的物理执行能力绑定，解决 "语言不落地" 问题，具体逻辑如下：

1. 核心概念定义

• 技能（Skill, π） ：机器人的低层级原子行为（如 "找海绵""拿起海绵"），每个技能包含：
  • 语言描述（自然语言标签，用于与 LLM 交互）；
  • 执行策略（控制机器人完成动作的算法，由行为克隆 BC 或强化学习 RL 训练）；
  • 可供性函数（即价值函数，量化当前状态s下技能成功执行的概率）。
• 任务接地（Task Grounding） ：由 LLM 计算，即 "技能ℓ_π是完成指令i的有效步骤的概率"，本质是利用 LLM 的语义知识关联 "任务目标" 与 "技能用途"。
• 世界接地（World Grounding） ：由价值函数计算，即 "在当前环境状态s下，机器人成功执行技能ℓ_π的概率"，本质是将技能与物理环境的可行性绑定。

2. 概率协同逻辑

SayCan 的技能选择基于 "综合概率最大化"，公式推导如下：

• 目标：选择 "既能推进任务，又能成功执行" 的技能，即最大化 "技能成功执行且推进任务" 的概率。
• 分解假设：若技能成功（），则推进任务的概率为；若技能失败（），则推进任务概率为 0。
• 最终公式：（比例关系源于忽略全局归一化常数）。

3. 迭代执行流程

1. 输入用户指令i和当前环境状态s；
2. LLM 对所有预训练技能的评分，得到；
3. 价值函数模块对所有技能评分，得到；
4. 计算每个技能的综合概率，选择概率最大的技能执行；
5. 将已执行的追加到 LLM 的查询上下文，更新环境状态s；
6. 重复步骤 2-5，直至 LLM 输出 "done"（终止令牌）。

三、训练方法

SayCan 的实现需分三部分：预训练技能与价值函数、LLM 适配、技能选择与执行，具体方法如下：

1. 预训练技能与价值函数

（1）技能策略训练

• 训练方法 ：结合行为克隆（BC）和强化学习（RL），按需选择：
  • BC 策略 ：基于 BC-Z 方法，用 10 台机器人 11 个月收集的 6.8 万条远程操作演示数据，辅以 12 万条成功的自主执行数据训练；采用 ResNet-18 架构，以 "通用句子编码器（USE）" 生成的ℓ_π嵌入作为 FiLM 条件，输出机械臂位姿、夹爪状态和终止动作。
  • RL 策略 ：基于 MT-Opt 方法，在仿真环境中训练（用 RetinaGAN 减少 sim-to-real 差距），通过 "仿真演示初始化 + 在线数据迭代优化" 提升性能；架构类似 MT-Opt，输入图像、ℓ_π嵌入、机器人状态（如夹爪高度），输出 Q 值。
• 多任务优化：不单独为每个技能训练策略，而是训练 "语言条件的多任务模型"，降低训练成本（支持 551 个技能，涵盖拾取、放置、导航等 7 类）。

（2）价值函数训练

• 本质定义 ：稀疏奖励下的 "技能成功概率"------ 任务完成时奖励为 1，否则为 0，价值函数Q^π(s,a)即 "从状态s执行动作a后，遵循策略π的折扣奖励和"，对应技能成功概率。

• 训练方法 ：基于时序差分（TD）的 RL 方法，最小化以下 TD 损失：

  L_TD(θ) = E_{(s,a,s')~D} [ R(s,a) + γ·E_{a*~π} Q_θ^π(s',a*) - Q_θ^π(s,a) ]

  其中D为状态 - 动作数据集，θ为 Q 函数参数，γ为折扣因子，R(s,a)为稀疏奖励（0 或 1）。

• 可行性校准 ：对不同技能的价值函数结果进行归一化（如拾取技能），确保输出为 0-1 的概率值。

2. LLM 适配：从 "生成" 到 "评分"

LLM 默认生成自由文本，需通过以下方法约束其输出为 "机器人可执行的技能序列"：

• 提示工程（Prompt Engineering）：在 LLM 输入中加入示例（如 "人类：帮我拿苹果？机器人：1. 找苹果，2. 拿苹果，3. 递给你，4.done"），定义 "人类指令 - 机器人技能序列" 的对话格式，约束输出结构（附录 D.3 提供 17 个示例的完整 Prompt）。
• 评分模式（Scoring Mode） ：不使用 LLM 的 "生成模式"（避免输出无效动作），而是用 "评分模式" 计算每个预定义的概率------ 即查询 LLM 对 "将作为指令i的下一步" 的置信度。
• 迭代上下文更新：每次选择技能后，将其追加到 LLM 的对话历史（如 "机器人：1. 找海绵，2.XXX"），确保 LLM 理解任务进度，避免重复或无关技能。

3. 系统集成与执行

• 语言条件输入 ：技能的策略和价值函数均以 "USE 嵌入的" 为输入，实现 "语言 - 动作" 的绑定；LLM 与技能的语言模型可独立（如 LLM 用 PaLM，技能嵌入用 USE），适配不同抽象层级需求。
• 环境反馈机制 ：通过价值函数实时获取环境状态s（如物体位置、机器人位姿），确保技能可行性判断的时效性；若技能执行失败（如未拿起物体），价值函数会降低该技能的后续评分。
• 终止判断 ：为 "done" 技能设置固定低可行性（p_{terminate}^{affordance}=0.1），仅当所有有效技能的综合概率均低于 "done" 时，系统终止任务。

四、数据集

论文中数据集主要服务于低层级技能的策略训练（行为克隆 BC、强化学习 RL） 和系统性能评估，具体来源可分为三类：训练数据集（BC/RL 策略）、评估数据集（101 个指令），两类数据集的采集场景、方式和规模均有明确界定。

1. 训练数据集：技能策略与价值函数训练

训练数据集用于学习机器人的低层级技能（如拾取、放置、导航）及其对应的价值函数，分为行为克隆（BC）策略训练数据 和强化学习（RL）策略训练数据两类，均围绕 "厨房场景中的机器人操作" 展开。

（1）行为克隆（BC）策略训练数据

BC 策略的数据以 "真实机器人远程操作演示" 为核心，辅以 "自主执行数据" 扩充规模，具体来源如下：

• 核心演示数据 ：通过 10 台机器人组成的机器人 fleet，在 11 个月内持续采集的68000 条远程操作演示数据。采集时，操作员使用 VR 头显控制器追踪手部动作，动作被映射为机器人末端执行器的位姿；同时可通过操纵杆控制机器人底座移动，确保演示覆盖 "拾取 - 放置 - 导航" 等核心技能场景（如厨房中的物体搬运、位置移动）。
• 自主执行扩充数据 ：为提升数据规模和多样性，补充了276000 条机器人自主执行的技能 episode （即机器人按已学策略执行技能的过程记录）。对这些自主数据进行 "成功筛选"------ 仅保留人类标注为 "成功完成技能" 的 episode，最终得到12000 条有效自主数据，与核心演示数据合并用于 BC 训练。

（2）强化学习（RL）策略训练数据

RL 策略的数据以 "仿真环境数据" 为主，通过 "仿真 - 真实迁移" 技术减少环境差异，具体来源如下：

• 仿真演示初始化数据 ：在 Everyday Robots 模拟器中，生成技能演示数据（如 "打开抽屉""拾取可乐罐" 的标准动作序列），用于初始化 RL 策略的基础性能，避免策略从 "零经验" 开始学习导致的收敛缓慢。
• 在线仿真迭代数据 ：初始化后，通过 3000 个 CPU worker 持续在仿真环境中采集在线 episode 数据 （机器人执行技能的实时过程记录），并基于这些数据迭代优化 RL 策略。同时，为缩小 "仿真 - 真实" 环境差距，使用RetinaGAN技术对仿真环境的图像进行处理 ------ 让仿真图像更接近真实场景，同时保留物体结构特征，确保 RL 策略迁移到真实机器人时性能稳定。

（3）价值函数训练数据

价值函数（用于判断技能可行性）的数据与策略训练数据共享：BC 策略的价值函数基于 BC 训练数据的 "成功 / 失败标签" 学习，RL 策略的价值函数则直接使用 RL 训练数据中的稀疏奖励（任务成功为 1，失败为 0）进行时序差分（TD）学习，无需额外采集独立数据、、。

2. 评估数据集：101 个机器人任务指令

评估数据集用于验证 SayCan 系统在真实场景中的性能，包含7 类共 101 个自然语言指令，来源兼顾 "标准化" 和 "自然性"，具体如下：

• 众包指令：通过 Amazon Mechanical Turk（MTurk）平台向人类用户征集 ------ 向用户描述 "厨房场景事件"（如 "苹果被移到你面前"），让用户以自然语言向机器人下达任务；同时在真实办公厨房中，让工作人员基于机器人能力下达指令，最终得到 15 条非结构化众包指令、。
• 基准参考指令：参考现有机器人语言指令基准（如 ALFRED、BEHAVIOR），设计结构化、可对比的指令（如 "把米饼移到远操作台"），确保评估结果可与现有方法对标。
• 自定义测试指令 ：为覆盖特定能力测试目标（如 "具身状态理解""长时程推理"），人工设计 56 条指令，包括：
  • 单原语指令（如 "放开可乐罐"，15 条）；
  • 抽象名词 / 动词指令（如 "给我拿一个水果""补充米饼"，各 15 条）；
  • 具身状态指令（如 "把可乐放操作台上"，初始状态不同，11 条）；
  • 长时程指令（如 "可乐洒了，扔掉并拿清洁用品"，15 条）、至。

五、实验设计

1. 系统模块组成

模块名称	功能描述	关键技术 / 工具
LLM 模块（Say）	计算技能与任务的相关性，输出技能序列逻辑	PaLM-540B/62B/8B、FLAN，提示工程
价值函数模块（Can）	计算技能在当前状态的可行性，提供世界接地
技能库	存储机器人的低层级原子技能，包含、执行策略、价值函数	BC-Z（策略）、MT-Opt（策略）
执行控制模块	解析最优技能，控制机器人执行动作，更新环境状态和 LLM 上下文	移动操作机器人控制栈

2. 实验细节与关键对比

（1）实验环境与任务

• 环境 ：

  • 模拟厨房：与技能训练环境一致，包含 5 个语义位置（2 个操作台、桌子、垃圾桶、用户位置）和 15 类厨房物体；
  • 真实厨房：办公场景真实厨房，环境更复杂（物体位置不固定、干扰物更多）。

• 任务分类 （7 类共 101 个，示例见表 1）：

  任务类别	数量	核心测试目标	示例指令
  NL Single Primitive	15	单技能指令的识别与终止	"放开可乐罐"
  NL Nouns	15	抽象名词（如 "水果"）的理解	"给我拿一个水果"
  NL Verbs	15	抽象动词（如 "补充"）的理解	"把米饼补充到远操作台"
  Structured Language	15	结构化指令与自然语言的对比	"把米饼移到远操作台"
  Embodiment	11	环境 / 机器人状态的理解（如手中是否有物体）	"把可乐放在操作台上"（初始状态不同）
  Crowd-Sourced	15	非结构化自然指令的适配	"我最喜欢红牛，帮我拿一罐"
  Long-Horizon	15	长时程多步骤推理	"可乐洒在桌子上，扔掉它并拿清洁用品"

（2）关键对比实验（Ablation Study）

通过对比不同方案，验证接地机制和 LLM 的必要性：

方案	核心逻辑	总计划成功率	总执行成功率	结论
PaLM-SayCan（本文）	结合 LLM 的 和价值函数的	84%	74%
No VF（无价值函数）	仅用 LLM 选择 最大的技能，忽略可行性	67%	-	世界接地不可或缺，否则技能可能无法执行
Generative（生成模式）	LLM 生成自由文本，再通过 USE 嵌入匹配到最近技能	74%	-	评分模式优于生成模式，生成模式丢失概率信息，可解释性差
BC NL（无 LLM）	直接将指令i输入 BC 策略，无技能序列规划	0%	0%	LLM 的任务接地是必要的，单纯行为克隆无法理解高层级指令
BC USE（无 LLM）	将指令i通过 USE 嵌入匹配到最近技能序列，无动态规划	9%	9%	仅单技能任务有效（60%），无法处理长时程或抽象任务

3. 扩展能力验证

• 添加新技能 ：以 "抽屉操作" 为例，仅需添加 "打开抽屉""关闭抽屉" 等、对应的 BC 策略和价值函数（基于距离的启发式），并补充 2 个 Prompt 示例，即可实现 100% 计划成功率（执行成功率 33%，失败源于机械臂操作精度）。
• 链式思维（Chain of Thought）：通过 Prompt 添加 "Explanation" 环节（如 "用户要无咖啡因的果味饮料，我选青柠苏打"），让 LLM 先推理再输出技能，解决否定指令（如 "不要苹果"）和复杂推理问题，示例见表 4。
• 多语言支持：利用 LLM 的多语言训练数据，无需额外适配即可处理中、法、西语指令，计划成功率接近 100%（仅 1 条法语指令失败，源于语法复杂度）。

4. 局限性与未来方向

（1）当前局限性

1. LLM 继承问题：继承 LLM 的训练偏差（如对特定物体的偏好）和常识错误（如物理规律误解）；
2. 技能瓶颈：系统性能受限于技能库的范围和鲁棒性（如抽屉操作执行成功率低，无 "擦拭" 技能）；
3. 闭环能力弱：无法动态应对技能失败（如未拿起物体时，不会调整策略重新尝试）；
4. 否定与歧义处理不足：虽可通过链式思维改善，但对复杂否定（如 "不要甜的且无咖啡因的饮料"）和模糊指代（如 "拿那个红色的"）仍存在困难。

（2）未来研究方向

1. 双向反馈：利用机器人的现实执行经验微调 LLM，提升 LLM 的物理常识和事实性；
2. 技能扩展：开发更鲁棒的多模态技能（如基于视觉的动态物体抓取），降低技能库的局限性；
3. 闭环规划：结合环境反馈（如物体检测、人类纠正）实现动态策略调整，参考 "Inner Monologue" 方法；
4. 本体探索：验证自然语言作为机器人编程本体的合理性，对比 "图像目标" 等其他本体的效率。

六、评价指标

论文采用2 个核心指标量化系统性能，覆盖 "计划合理性" 与 "执行有效性"，均通过 "人类标注" 确保客观，具体定义与计算方式如下：

1. 核心指标 1：计划成功率（Plan Success Rate）

• 定义：衡量 "SayCan 输出的技能序列是否能完成用户指令目标"，不考虑机器人实际执行结果（仅评估 "计划逻辑"）。
• 评估方式 ：
  1. 向 3 名标注者提供 "用户指令 + 技能序列"（如 "拿清洁用品"+"1. 找海绵→2. 拿海绵→3. 递给你"）；
  2. 标注者判断 "该序列是否能达成指令目标"，允许 "多解"（如先扔可乐再拿海绵也视为有效）；
  3. 统计 "2/3 标注者同意成功" 的任务占比，即为计划成功率。
• 核心结果：PaLM-SayCan 在模拟厨房中达 84%，真实厨房中 81%，无接地对照组（No VF）仅 67%。

2. 核心指标 2：执行成功率（Execution Success Rate）

• 定义：衡量 "SayCan 系统（含机器人执行）是否实际完成用户指令"，需结合 "计划合理性" 与 "机器人操作精度"。
• 评估方式 ：
  1. 向 3 名标注者提供 "用户指令 + 机器人执行完整视频"；
  2. 标注者回答 "机器人是否达成指令描述的任务"，忽略 "微小操作误差"（如物体放置偏移但未影响目标）；
  3. 统计 "2/3 标注者同意成功" 的任务占比，即为执行成功率。
• 核心结果：PaLM-SayCan 在模拟厨房中达 74%，真实厨房中 60%，无 LLM 对照组（BC NL）为 0%。

3. 辅助分析指标

• 误差来源：65% 的失败源于 LLM（如早期终止、否定指令处理错误），35% 源于价值函数（如误判技能可行性）；
• LLM 规模关联：PaLM-540B（74% 执行成功率）> PaLM-62B（72%）> PaLM-8B（38%），证明 LLM 规模与机器人性能正相关。

七、创新点分析

1. 创新 1：双接地机制（Task Grounding + World Grounding），解决 LLM 与机器人的接地断层

这是论文最核心的创新，通过 "LLM 的任务接地" 与 "价值函数的世界接地" 协同，让技能同时满足 "任务相关性" 与 "环境可行性"：

• 任务接地（Say） ：利用 LLM 的语义知识，计算技能描述（ℓ_π）与用户指令（i）的相关性概率p(ℓ_π | i)，回答 "该技能是否有助于完成任务"。例如，指令 "清理洒出饮料" 时，LLM 会优先选择 "找海绵"（p高）而非 "拿可乐"（p低），实现任务层面的接地（1-14、1-25）。
• 世界接地（Can） ：利用强化学习训练的价值函数，计算技能在当前环境状态（s）下的可行性概率p(c_π | s, ℓ_π)，回答 "该技能能否成功执行"。例如，场景中无吸尘器时，"用吸尘器" 的p为 0，避免选择无效技能；基于距离的导航价值函数（如 "去桌子" 的概率随距离减小而升高）确保技能可行（1-14、1-22、1-32）。
• 协同逻辑 ：通过概率乘积（p(c_i | i,s,ℓ_π) ∝ p(c_π | s,ℓ_π) × p(ℓ_π | i)）选择最优技能，既保证技能符合任务目标，又确保可执行，解决了 "LLM 输出不可行" 和 "策略无任务理解" 的双重问题（1-25、1-33）。实验验证，该机制使性能较无接地基线（如 No VF、Generative）接近翻倍（1-73）。

2. 创新 2：基于 "评分模式" 的 LLM 适配，提升技能选择的可解释性与准确性

摒弃 LLM 的 "自由生成模式"，采用 "评分模式" 计算技能概率，解决生成模式 "丢失概率信息、可解释性差" 的问题：

• 评分模式设计 ：让 LLM 对预定义的技能描述（ℓ_π）逐一评分，输出p(ℓ_π | i)，而非生成自由文本。例如，指令 "拿清洁用品" 时，LLM 直接计算 "找海绵""找抹布" 等技能的概率，而非生成 "去厨房拿清洁工具" 这类模糊表述（1-27、1-30）。
• Prompt 工程约束：通过添加 "人类 - 机器人对话示例"（如 "人类：拿苹果→机器人：1. 找苹果，2. 拿苹果，3. 递给你"），让 LLM 输出结构化技能序列，确保可解析性。例如，17 个示例的 Prompt 使计划成功率从无示例的 10% 提升至 88%（1-323、1-324）。
• 迭代规划：每次选择技能后，将其追加到 LLM 上下文，动态调整后续技能选择（如 "拿海绵" 后，LLM 不再重复选择该技能），适配长时程任务的步骤依赖（如 "扔可乐→拿海绵" 的顺序规划）（1-33、1-60）。

3. 创新 3：多任务与扩展能力优化，降低系统适配成本

无需重构核心模块，即可支持新技能、多语言、复杂推理，解决传统系统扩展性差的问题：

新技能快速集成 ：仅需添加新技能的ℓ_π、对应的 BC/RL 策略及 2-3 个 Prompt 示例，即可融入现有系统。例如，添加 "抽屉操作" 技能时，仅补充 "打开抽屉""关闭抽屉" 的ℓ_π和价值函数（基于距离的启发式），计划成功率达 100%，且不影响原有技能性能（1-80、1-82）。

• 链式思维（Chain of Thought）处理复杂推理：通过 Prompt 添加 "Explanation" 环节（如 "用户要无咖啡因的果味饮料→选青柠苏打"），让 LLM 先推理再输出技能，解决否定指令（如 "不要苹果"）和模糊需求（如 "拿健康的零食"）问题，示例任务成功率提升至 80% 以上（1-96、1-98）。
• 多语言零适配支持：利用 LLM 的多语言训练数据，无需额外适配即可处理中、法、西语指令。实验显示，非英语指令计划成功率接近 100%（仅 1 条法语指令因语法复杂度失败），利用 LLM 的多语言能力降低适配成本（1-99、1-506）。

4. 创新 4：LLM 规模与机器人性能的正向关联验证，为跨领域协同提供依据

首次系统性验证 "LLM 语义能力提升可直接带动机器人性能提升"，为后续 "语言 - 机器人" 跨领域研究提供方向：

• LLM 参数规模影响：实验表明，PaLM-540B（84% 计划成功率、74% 执行成功率）显著优于 PaLM-62B（72% 计划成功率）和 PaLM-8B（38% 计划成功率），证明 LLM 的语义知识储备（如抽象指令理解、长时程规划）直接决定机器人任务规划能力（1-74、1-77）。
• 模型类型对比：通用 LLM（PaLM）优于指令微调 LLM（FLAN），PaLM-SayCan 计划成功率 84% vs FLAN-SayCan 70%，说明 "通用语义知识" 比 "指令响应优化" 更适配机器人的物理任务规划（1-74、1-77）。

5. 创新 5：开源可复现的实验环境，降低研究门槛

提供基于 Google Colab 的开源桌面环境（含 UR5 机器人、CLIPort 策略、ViLD 物体检测器），支持 "移动色块到对应颜色碗中" 等任务，无需复杂机器人硬件即可复现 SayCan 核心逻辑。开源环境使用 GPT-3 作为 LLM，输出 "拾取 - 放置" 代码结构的技能序列，促进后续研究的扩展（1-102、1-103）。

八、本论文的相关工作

论文将相关工作分为语言模型接地 、语言条件行为学习 、任务与运动规划三类，每类均先总结现有研究的核心思路，再明确本文与现有工作的差异，核心逻辑是 "指出不足→凸显本文补充价值"。

1. 第一类：语言模型接地（Grounding Language Models）

（1）现有研究核心方向

现有工作聚焦 "如何让 LLM 关联物理世界或具体动作"，主要分为三类方法（1-107）：

• 环境输入增强：让 LLM 接受多模态输入（如图像、环境状态）以补充物理信息，例如 VideoBERT（[152]）、VisualBERT（[153]）、ViLBERT（[154]）等，通过融合视觉与语言特征提升接地能力；
• 动作输出直接映射：让 LLM 直接生成动作序列或控制指令，例如 Embodied BERT（[157]）、Episodic Transformer（[159]），但这类方法多依赖仿真环境训练，缺乏真实物理交互验证；
• 提示工程（Prompt Engineering）：通过设计示例让 LLM 生成符合任务需求的文本，例如 Huang 等人的 "LLM 作为零样本规划器"（[23]），但该方法仅依赖文本生成，未结合环境可行性判断，属于 "无世界接地" 的生成模式。

（2）本文与现有研究的差异

现有方法的共性缺陷是 "缺乏真实物理交互反馈"，导致 LLM 输出可能脱离机器人能力或环境约束（1-107）；而本文的创新补充在于：

• 无需微调 LLM：通过 "预训练技能的价值函数" 为 LLM 提供世界接地，避免因环境数据微调 LLM 导致的泛化性损失；
• 零样本长时程任务：利用 LLM 的语义知识（任务接地）与价值函数的可行性判断（世界接地），实现真实机器人的零样本长时程任务规划，而现有方法多局限于单步骤或仿真任务。

2. 第二类：语言条件行为学习（Learning Language-Conditioned Behavior）

（1）现有研究核心方向

该领域旨在 "让机器人通过语言理解并执行行为"，主要依赖两类学习范式（1-108）：

• 模仿学习（Imitation Learning）：通过人类演示数据训练 "语言→动作" 映射模型，例如 BC-Z（[13]）、CLIPort（[26]），可处理拾取、放置等低层级技能，但无法理解高层级抽象指令（如 "拿健康的零食"）；
• 强化学习（Reinforcement Learning）：通过奖励信号优化语言条件的行为策略，例如 MT-Opt（[14]）、Language as Abstraction（[57]），部分方法可处理仿真环境的长时程任务，但真实场景中因奖励稀疏、环境复杂度高，性能受限。

（2）本文与现有研究的差异

现有方法的核心局限是 "技能序列规划能力弱"------ 仅能执行预定义的低层级技能，无法动态拆解高层级指令（1-108）；而本文的创新补充在于：

• 高层级规划依赖 LLM：利用 LLM 的语义知识拆解抽象指令（如 "清理洒出的饮料"→"找海绵→拿海绵→递给用户"），突破传统行为克隆 / 强化学习的 "无规划" 缺陷；
• 多技能协同：通过 "LLM 评分 + 价值函数" 动态选择技能，而非依赖固定技能序列，适配真实场景的环境变化（如 "无海绵时不选择该技能"）。

3. 第三类：任务与运动规划（Task and Motion Planning）

（1）现有研究核心方向

该领域聚焦 "如何将高层级任务拆解为低层级运动指令"，分为两类方法（1-109 至 1-111）：

• 传统符号规划 / 优化：基于显式规则或数学优化生成技能序列，例如 STRIPS（[185]）、Logic-Geometric Programming（[189]），需手动定义物体属性、动作约束，泛化性差；
• 机器学习驱动规划：通过数据学习抽象任务的规划逻辑，例如 Neural Task Programming（[191]）、Hierarchical Foresight（[204]），可处理部分长时程任务，但多依赖仿真数据，且缺乏语言与物理世界的动态关联。

（2）本文与现有研究的差异

现有方法的核心缺陷是 "语言理解能力弱"------ 无法通过自然语言动态调整规划逻辑（如用户指令从 "拿苹果" 改为 "拿香蕉" 时，需重新训练或定义规则）（1-111）；而本文的创新补充在于：

• 自然语言驱动规划：利用 LLM 的语义理解能力，直接将自然语言指令转化为技能序列，无需手动定义符号规则；
• 真实场景鲁棒性：结合价值函数的环境可行性判断，避免传统规划 "仅考虑逻辑正确、忽略物理执行" 的问题，例如 "不选择无吸尘器场景中的'用吸尘器'技能"。