自Roomba以来，家用机器人鲜有成功，原因不胜枚举。定价、实用性、外形尺寸及地图构建等因素共同导致了接连失败。即便部分问题得以解决，系统犯错后如何应对仍是悬而未决的难题。
工业领域虽存在类似摩擦，但大型企业拥有充足资源应对。然而，消费者无法在每次遇到问题时学习编程或聘请专人协助。幸运的是，大型语言模型（LLMs）为机器人领域提供了绝佳解决方案，麻省理工学院（MIT）的最新研究便为此提供了例证。
引入“常识”优化纠错机制
一项定于五月在国际学习表征会议（ICLR）上发表的研究指出，旨在将“常识”引入纠错过程。该校解释道：“事实证明，机器人是出色的模仿者。但如果工程师不额外编写程序让其适应各种碰撞和干扰，机器人通常不知道如何处理这些情况，只能从头重新执行任务。”
传统上，机器人遇到问题时会先耗尽预设程序选项，随后才需人类介入。这在家庭等非结构化环境中极具挑战性，因为任何现状改变都可能 adversely 影响机器人的功能表现。
LLM赋能子任务分解与自主恢复
研究人员指出，尽管模仿学习在家用机器人领域颇受欢迎，但往往难以顾及无数细微的环境变化，导致系统频繁重启。新研究通过将演示分解为更小的子集而非连续动作，在一定程度上解决了该问题。此时，大型语言模型（LLMs）介入其中，消除了程序员手动标记和分配众多子动作的需求。
研究生Tsun-Hsuan Wang表示：“大型语言模型能够以自然语言告知完成任务的每个步骤，人类的连续演示则是这些步骤在物理空间中的具象化。我们希望将两者连接，使机器人能自动识别当前所处阶段，并实现自主重规划与恢复。”
研究演示了训练机器人舀起弹珠并倒入空碗的过程。这对人类而言简单可重复，对机器人却是由诸多小任务组合而成。LLM能够对这类子任务进行列举和标记。演示中，研究人员通过微小方式干扰活动（如撞偏路线或震落弹珠），系统可通过自我纠正这些小任务来应对，而非从头开始。
Wang补充道：“使用我们的方法，当机器人犯错时，无需人类编程或提供额外演示来展示如何从失败中恢复。”这种引人入胜的方法，有助于避免人们彻底“失去理智”（字面意为“完全丢失弹珠”）。