Alter 3：利用 GPT-4驱动的人形机器人将自然语言命令转换为机器人动作

东京大学和Alternative Machine的研究人员开发了一种名为Alter3的仿人机器人系统，该系统可以直接将自然语言命令映射到机器人动作。通过利用大型语言模型（LLMs）如GPT-4，Alter3能够执行复杂的任务，如自拍或模仿幽灵。

在LLM出现之前，必须手动控制机器人所有的43个轴来模仿动作，这通常需要许多人工精细调整。现在，利用LLM，只需通过自然语言的指令，就可以实现复杂动作控制，无需迭代学习过程。
通过语言反馈，Alter3能够根据用户的语言指令调整运动代码，并将改进的动作存储在数据库中，形成有效的身体模式记忆。
通过在线平台Prolific招募了107名参与者，对九种不同的动作视频进行评估。结果显示，由GPT-4生成的动作得分显著高于对照组随机生成的动作，表明GPT-4能够准确地将语言表达映射到Alter3的身体上。
Alter3能够在没有额外训练的情况下执行多种动作，展示了LLM数据集已经包含了动作描述。此外，Alter3还能够模仿鬼魂和动物，并通过面部表情和手势反映对话内容的情绪。该系统可应用于任何类人机器人，只需少量修改。

Alter3 的主要功能

自然语言到动作映射：Alter3 能够直接将自然语言命令转换为机器人动作。用户可以通过简单的语言指令控制机器人执行各种任务。
基于“代理框架”的动作规划：Alter3 使用GPT-4模型作为后台，通过“代理框架”来规划机器人执行任务的步骤。模型首先充当规划器，确定所需的动作步骤，然后由编码代理生成具体的机器人命令。
上下文学习与API适应：GPT-4 利用其上下文学习能力，适应并映射机器人的API命令。通过提供命令列表和使用示例，模型可以将任务步骤转换为API命令，发送给机器人执行。
人类反馈支持：Alter3 能够接收人类的反馈并据此调整动作。例如，当用户指示机器人“抬高手臂”时，反馈信息会被另一个GPT-4代理处理，调整相应的代码并更新动作序列。
多任务处理：Alter3 可以执行多种复杂任务，如自拍、喝茶、模仿幽灵或蛇等动作，还能在需要精细动作规划的场景中表现出色。
情感表达与模仿：GPT-4 的广泛知识库使其能够推断和表达情感。Alter3 能够通过身体动作反映出情感，如尴尬或喜悦，增强了人机互动的真实感。
- Alter3可以通过面部表情和肢体动作表达情感。即使文本中没有明确的情感表达，GPT-4也可以推断出合适的情感并反映在机器人的动作中。
- 示例：当听到一个有趣的故事时，表现出惊讶和愉悦的表情和动作。
零样本学习：
- 无需预训练：Alter3无需预训练即可根据语言指令生成新动作，这意味着不需要为每个新动作进行编程或训练。
- 使用现有数据：利用GPT-4的广泛训练数据集，这些数据包含了大量的动作描述，支持机器人生成多样化的动作。
广泛的应用场景：除了执行日常任务，Alter3 在需要高级动作规划和情感表达的领域（如娱乐和客户服务）也具有广泛的应用潜力。

Alter3 的技术细节

自然语言处理和映射
- 集成大语言模型：使用GPT-4作为核心语言模型，将其集成到Alter3机器人中。
- 语言到动作映射：Alter3 使用GPT-4模型来处理自然语言命令，将其映射到具体的机器人动作。通过大型语言模型，机器人能够理解和执行复杂的语言指令。
代理框架
- 描述：采用“代理框架”进行动作规划。框架分为两个阶段：首先是规划阶段，GPT-4确定执行任务所需的步骤；然后是编码阶段，生成具体的API命令。
- 规划器：在第一阶段，GPT-4模型作为规划器，分析自然语言指令，制定详细的动作计划。
- 编码代理：在第二阶段，编码代理负责将动作计划转换为机器人的API命令。
动作生成协议：
- 自然语言协议：使用自然语言协议（如Chain of Thought, CoT）生成控制机器人的Python代码，从而实现动作生成。
- 多样性生成：由于GPT-4具有非确定性，即使相同的输入也能生成不同的动作模式，增加了动作生成的多样性。
语言反馈系统：
- 即时调整：用户通过语言指令（如“手举高一点”）对动作进行即时调整，机器人根据反馈修改动作代码。
- 动作存储：改进后的动作被存储在JSON数据库中，带有描述性标签（如“举着吉他”），以便未来检索和使用。
上下文学习
- 描述：GPT-4 使用上下文学习能力适应机器人的API。通过提供命令列表和示例，模型能够将动作步骤映射到API命令。
- 例子和命令列表：在上下文中包含示例命令和解释，以帮助模型生成准确的API命令。
人类反馈和调整
- 描述：支持人类反馈，允许用户微调机器人的动作。反馈通过另一个GPT-4代理处理，调整动作代码并更新执行序列。
- 反馈处理：用户反馈如“抬高手臂”被处理并转化为代码调整，存储在数据库中以供未来使用。
情感表达
- 描述：GPT-4 的知识库支持情感推断和表达。Alter3 能够通过身体动作反映情感，如尴尬和喜悦。
- 情感推断：即使在没有明确情感表达的文本中，模型也能推断出合适的情感，并在机器人的物理响应中体现。
多任务处理和应用
- 描述：Alter3 能执行多种任务，如自拍、喝茶、模仿幽灵或蛇等动作，展示其在日常任务和复杂场景中的应用潜力。
- 任务示例：模型通过实验测试执行各种任务，如自拍和模仿动作。
外部存储与记忆：
- 外部记忆集成：通过语言反馈系统，Alter3能够将动作改进信息存储在外部记忆中，这些记忆在未来生成动作时被引用。
- 身体模式：这种外部记忆有效地充当Alter3的身体模式，使其能够不断学习和改进动作表现。
数据和模型训练
- 描述：GPT-4 的训练包括广泛的语言表示和动作描述，支持其在机器人控制中的应用。基础模型的知识库提供了丰富的背景知识，提升了机器人的任务执行能力。
- 基础挑战：尽管模型在高层次规划中表现出色，机器人在执行基本任务（如抓取物体、保持平衡、移动）方面仍面临挑战。

评估与结果

动作生成评估：
- 评估方法：使用视频展示九种不同生成动作，参与者通过观看视频对机器人动作的表达能力进行评分。
- 评分标准：采用5分制评分，1分为最差，5分为最好。
参与者招募：
- 招募平台：通过Prolific平台招募了107名参与者。
- 参与者任务：参与者观看视频并评估动作的表现力。
视频分类：
- 即时手势动作：包括自拍、喝茶、假装成为鬼魂、假装成为蛇等日常和模仿动作。
- 持续动作情景：包括复杂情景，如在电影院吃错别人的爆米花，或在公园跑步时感受古老生存故事的情感场景。
对照组设置：
- 随机动作：使用随机生成的动作作为对照组，动作标签由GPT-4生成。
- 对照视频：在参与者观看的视频中，插入三个随机动作对照视频。
统计分析：
- Friedman测试：用于比较不同视频评分的显著性差异，结果显示视频评分之间存在显著差异。
- Nemenyi测试：进一步分析显示，对照组视频与其他视频相比，评分差异显著（p值小于或等于0.001）。
结果总结：
- 评分结果：GPT-4生成的动作评分显著高于随机动作对照组，表明GPT-4生成的动作在表现力上更具优势。
- 动作多样性：GPT-4能够生成从日常动作到复杂情景的多样化动作，并能够表达情感，如尴尬和快乐。
- 情感表达：通过GPT-4，Alter3能够理解并反映对话内容中的情感，即使情感未明确表达，也能推断并在动作中体现。

主要评估结果总结

通过将GPT-4集成到Alter3机器人中，实现了零样本学习、自发动作生成和语言反馈优化，显著提升了机器人的表现力和自然度。Alter3能够表达情感并生成多样化的动作，展示了大型语言模型在机器人技术中的巨大潜力和广泛应用前景。这一研究不仅为机器人技术的发展提供了新的思路，也为未来更自然、更人性化的人机交互奠定了基础。

结论

零样本学习能力：
- 无需预训练：Alter3能够在无需特定编程或训练的情况下，通过GPT-4生成自然且多样化的动作。这表明GPT-4的训练数据集已经包含了丰富的动作描述，支持机器人直接生成复杂的动作。
语言反馈优化：
- 即时调整：通过语言反馈系统，用户能够即时调整和改进Alter3的动作。这种反馈机制允许机器人不断学习和优化其动作表现，增强了与人类的互动体验。
情感表达：
- 丰富的情感表现：Alter3不仅能够模仿人类的日常动作，还能通过面部表情和肢体动作表达情感。无论是直接表达还是从上下文中推断情感，Alter3都能通过GPT-4准确反映情感状态。
广泛应用潜力：
- 普适性：该系统可以应用于任何仿人机器人，只需进行小幅修改即可实现。这种通用性使其在各种机器人应用中具有广泛的潜力。
研究发现：
- 显著优势：评估结果表明，通过GPT-4生成的动作在表现力和自然度上显著优于随机生成的动作，展示了大型语言模型在机器人动作生成中的强大能力。
- 复杂场景模拟：Alter3能够生成从简单日常动作到复杂情景模拟的多样化动作，展示了其在机器人控制和人机交互中的广泛应用前景。

一些案例：

“装鬼 “的动作

表达尴尬的感觉

I was enjoying a movie while eating popcorn at the theater when I realized that I was actually eating the popcorn of the person next to me.
我在影院边吃爆米花边欣赏电影时，发现自己其实是在吃旁边人的爆米花。