為了使機(jī)器人有效地服務(wù)人類，它需要學(xué)習(xí)用戶偏好，這些偏好可以更好地應(yīng)用于場(chǎng)景。Google、斯坦福大學(xué)、普林斯頓大學(xué)、哥倫比亞大學(xué)等聯(lián)合研究這項(xiàng)工作，通過(guò)了解家庭清潔的個(gè)性化需求，機(jī)器人可以通過(guò)收拾物品來(lái)整理房間。

這里關(guān)鍵的挑戰(zhàn)是確定放置每個(gè)物品的適當(dāng)位置，因?yàn)槿藗兊钠�好可能�?huì)因個(gè)人喜好或文化背景而有很大差異。例如，一個(gè)人可能更喜歡將襯衫存放在抽屜里，而另一個(gè)人可能更喜歡將它們放在架子上。我們的目標(biāo)是建立系統(tǒng)，通過(guò)與特定人的先前互動(dòng)，從少數(shù)幾個(gè)例子中學(xué)習(xí)這些偏好。

結(jié)果表明，機(jī)器人可以將基于語(yǔ)言的規(guī)劃和大型語(yǔ)言模型（LLM）的功能相結(jié)合，以推斷廣泛適用于未來(lái)交互的廣義用戶偏好。這種方法可以快速適應(yīng)，并在基準(zhǔn)數(shù)據(jù)集中對(duì)看不見(jiàn)的物體實(shí)現(xiàn) 91.2% 的準(zhǔn)確率。這里用一個(gè)名為TidyBot的真實(shí)移動(dòng)操作器演示了該方法，該操縱器在真實(shí)世界的測(cè)試場(chǎng)景中成功地收起了85.0%的對(duì)象。