2月4日 消息:在人機交互領域存在許多挑戰，其中之一是使機器人展示類似于人類的表達行為。傳統的基于規則和基于數據的方法在新的社交環境中需要更大的可擴展性，而數據驅動方法受到數據集的限制。為了應對這一挑戰，研究人員提出了Generative Express Motion(GenEM)方法，專注于利用大型語言模型(LLMs)生成機器人的表達行為。

　　GenEM方法利用LLMs提供的豐富社交背景，創造出適應性強、可組合的圖形機器人運動。它采用少樣本思維鏈激勵，將人類語言指令轉化為參數化的控制代碼，使用機器人已有的和學到的技能。

　　行為生成包括多個步驟，從用戶指令開始，最終生成機器人執行的代碼。為了評估該方法，研究考慮了兩項用戶研究，將生成的行為與由專業動畫師創建的行為進行比較。該方法在表達力和機器人行為的適應性方面優于傳統的基于規則和基于數據的方法。研究人員還利用用戶反饋來更新機器人的策略參數，并通過組合現有行為生成新的表達行為。

　　兩項用戶研究證明了GenEM的有效性，顯示生成的行為被認為是有能力和可理解的。通過使用移動機器人和模擬四足動物進行的仿真實驗表明，該方法優于直接將語言指令翻譯成代碼的版本。它還允許生成對機器體系結構不可知且可組合的行為。

　　GenEM利用LLMs的研究在機器人領域取得了顯著的進展，展示了自主生成富有表現力、適應性強和可組合的機器人行為的能力。這一方法突顯了LLMs在機器人領域的潛力，強調了它們通過自主生成富有表現力行為來促進有效的人機交互的作用。