ロボティック・マニピュレーションのためのハイブリッドフレームワーク：強化学習と大規模言語モデルの統合

要旨: 本論文は、強化学習（RL）と大規模言語モデル（LLM）を組み合わせてロボットの操作タスクを改善する新しいハイブリッド・フレームワークを提案する。この提案フレームワークでは、正確な低レベル制御にはRLを用い、高レベルのタスク計画と自然言語の理解にはLLMを用いることで、ロボットシステムにおける低レベルの実行と高レベルの推論を効果的に結び付ける。この統合により、ロボットは、変化する環境に対してリアルタイムに適応しながら、複雑で人間らしい指示を理解し実行できるようになる。フレームワークは、Franka Emika Pandaロボットアームを用いたPyBulletベースのシミュレーション環境で、ベンチマークとしてさまざまな操作シナリオをテストした。その結果、タスク完了までの時間が33.5%減少し、精度および適応性においてそれぞれ18.1%と36.4%の向上が示された（RLのみを用いるシステムと比較して）。これらの結果は、LLM強化ロボットシステムが実用的な応用において有望であることを裏付けており、より効率的で適応的、そして人間と相互作用できる能力を備えるものとなる。今後の研究では、シミュレーションから現実への転移（sim-to-real）、スケーラビリティ、ならびにマルチロボットシステムを探究し、フレームワークの適用範囲をさらに広げることを目指す。