Bài báo này tập trung vào các Mô hình Ngôn ngữ Lớn (LLM), những mã đã cho thấy kết quả khả quan trong việc dịch các tác vụ ngôn ngữ tự nhiên thành chương trình cho robot dịch vụ. Mặc dù việc tinh chỉnh các LLM nhỏ, chuyên biệt là rất đáng quan tâm, nhưng việc thu thập một tập dữ liệu các cặp tác vụ-chương trình cụ thể cho từng robot lại tốn thời gian và chi phí. Mặc dù các phương pháp như SELF-INSTRUCT và EVOL-INSTRUCT có thể tạo ra các tác vụ mới từ một vài ví dụ, nhưng chúng không thể cung cấp các chương trình tương ứng tuân thủ đúng các ràng buộc của thế giới vật lý và robot bằng giao diện lập trình được cung cấp. Sử dụng trình mô phỏng là một giải pháp tiềm năng tự nhiên để xác minh những ràng buộc này, nhưng việc xây dựng một môi trường mô phỏng có khả năng xử lý các tác vụ tùy ý, các đối tượng và vị trí cần thiết là một thách thức. Để giải quyết thách thức này, bài báo này đề xuất ROBO-INSTRUCT. ROBO-INSTRUCT suy ra các thuộc tính của thực thể một cách ngẫu nhiên trong quá trình thực thi chương trình và áp dụng các ràng buộc này dựa trên cách các thực thể được sử dụng trong chương trình tác vụ, tổng hợp một môi trường mô phỏng cụ thể cho từng tác vụ một cách nhanh chóng. Hơn nữa, ROBO-INSTRUCT tích hợp một quy trình hậu xử lý được hỗ trợ bởi LLM để cải thiện sự liên kết với chương trình robot. Chúng tôi chứng minh hiệu quả của ROBO-INSTRUCT trên một số LLM, cho thấy mô hình được tinh chỉnh này vượt trội hơn tất cả các phương pháp cơ bản và thậm chí còn ngang bằng hoặc vượt qua hiệu suất của một số mô hình độc quyền lớn hơn.
