摘要
由于面临诸如识别实现目标所需的动作序列、弥合高层规划与底层执行之间的差距以及应对机器人硬件的计算限制等挑战，机器人在现实环境中的任务规划本质上非常复杂。此外，一个至关重要但常常被忽视的方面是机器人识别自身能力局限性的能力，以及将其无法完成的任务有效地委托给人类协作者。最近，在将大型语言模型（LLMs）集成到机器人技术中的进展增加了生成不可行计划的可能性，这使得这种能力对于任何需要与真实环境交互的机器人来说变得更加关键。为了解决这些挑战，本文提出了一个框架，该框架整合了开放词汇在线映射、规划和实体化功能，强调了自我意识和自我分析。所提出的自我意识模型使机器人能够评估任务复杂性，并将任务要求与其自身能力相匹配。这可以通过多种方式实现，包括在需要时策略性地请求人类协助。通过利用预训练的基础模型，我们的框架支持多角色机制，从而提高适应性，并确保机器人与人类在现实场景中的有效协作。实验使用了TIAGo机器人进行，该机器人能够识别并在九个不同复杂程度的真实场景中委托具有挑战性的任务。结果显示，任务成功率显著提高，达到了89.1%，而基线仅为37.0%，证明了将自我意识融入规划过程的有效性。代码和附加材料已在该项目的网站上公开发布。
