FLEX
3 节点1 篇4 来源
【背景】麻省理工学院(MIT)与纽约大学团队开发了FLEX系统,旨在解决机器人仅执行字面指令而忽略用户意图的痛点。该系统利用GPT-4o大语言模型,通过“添加”、“泛化”和“掩码”三种操作,将人类简短的自然语言纠正转化为更广泛的环境规则。例如,当用户警告机器人不要将咖啡洒在笔记本电脑上时,FLEX能推断出应避免所有电子设备,而非仅针对该特定设备。
研究于2026年10月提交至arXiv,并在11月的CoRL会议上展示。实验显示,在二维导航和模拟桌面操作中,FLEX的平均归一化奖励高于基线方法;在需要全部三种操作的复杂场景中,其得分达到0.99。然而,目前的研究主要基于模拟环境和离线评估,尚未实现完全自主的家庭机器人闭环运行。研究者指出,FLEX适用于刚性物体的准静态操作,但对于动态任务或高度个性化的偏好仍存在局限。
事情怎么走到这一步
论文《Flexible Language-Guided Representation Editing for Adaptive Robot Behavior》提交至arXiv。
arxiv.org ↗Unite.AI报道MIT宣布FLEX研究成果,介绍其通过自然语言纠正优化机器人行为的能力。
unite.ai ↗eeNews Europe发布文章,详细解析FLEX如何利用GPT-4o从简短指令中推断通用偏好。
eenewseurope.com ↗
还没定论的部分
- FLEX在真实物理环境中的闭环控制表现如何?目前主要依赖模拟轨迹和离线演示。
- 对于非共享的、高度个性化的用户偏好,语言模型的常识推理是否足以准确泛化?
- 项目代码和数据集何时正式公开?目前项目页面仍标记为“进行中”。