机器人系统的多工具选择：语义检索与大模型对比
研究比较机器人工具路由的四种策略：三种基于 ChromaDB 的语义检索方法（固定阈值、相对距离、子句感知聚合）与一个云端 1200 亿参数大模型基线。在 164 条人工标注提示（分三个复杂度级别，最高需至少三个工具）上，CDB-v3 在仅检索方法中宏平均综合得分最高，为 0.7822，大模型基线为 0.8869。大模型路由质量更高，但 CDB-v3 延迟显著更低且可本地部署、无需云连接，作者据此指出隐私敏感、连接受限与资源受限机器人系统存在质量-延迟权衡。
发布于 10-23 23:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Multi-Tool Selection for Robotic Systems: Comparing Semantic Retrieval and LLM》查看原链
arXiv:2610.31013v1 公告类型：新论文 摘要：自然语言接口让用户无需直接操作任务规划器或机器人中间件即可指挥机器人系统。 其可靠使用取决于机器人工具路由，此处定义为选择满足请求所需的最小完整预定义可执行能力子集。 对于复合指令，该任务尤其困难：不完整的选择可能遗漏必要的感知或监控能力，而过多的选择可能暴露无关工具。
我们比较了四种路由策略：三种逐步改进的基于 ChromaDB 的方法——固定阈值检索、相对距离检索和子句感知聚合检索——以及一个云端托管的 1200 亿参数语言模型基线。 这些方法在 164 条人工标注的提示上评估，提示分为三个复杂度级别，从直接的单工具请求到需要至少三个工具的复合请求。
使用精确匹配准确率、完整性、精确率、完整性加权综合得分和路由延迟，CDB-v3 在仅检索方法中取得最佳宏平均得分 0.7822，而大模型基线为 0.8869。 尽管大模型提供更高的路由质量，CDB-v3 的延迟显著更低，且可在本地部署，无需云连接。
这些结果揭示了直接大模型选择与子句感知语义检索之间在隐私敏感、连接受限和资源受限机器人系统中的质量-延迟权衡。