由纽约大学坦登工程学院研究人员开发的新型算法BrainBody-LLM，能够使机器人更像人类一样进行任务规划与动作执行。该算法通过两个大型语言模型（LLM）的协同工作，实现从任务理解到动作执行的闭环控制，显著提升了机器人在复杂环境中的自主性与适应性。 BrainBody-LLM的核心架构分为“脑”（Brain-LLM）和“体”（Body-LLM）两个部分。Brain-LLM负责理解用户指令，如“在沙发上吃薯片”，并基于现实世界知识将其分解为一系列可执行的高阶步骤。Body-LLM则逐个处理这些步骤，生成机器人可执行的具体控制命令。当系统在环境中发现无法执行的动作时，Body-LLM会输出特定标记，提示系统进行调整。 该算法采用闭环反馈机制，能持续监测环境变化和执行错误，并将反馈信息回传至系统，实现自动修正。这种动态交互能力是其关键优势，使机器人能更稳健地应对复杂或突发情况。 研究人员在虚拟环境VirtualHome和真实机器人平台Franka Research 3上进行了测试。结果显示，与现有先进模型相比，BrainBody-LLM将任务完成率提升了17%，在真实机器人实验中平均成功率达84%。在模拟和真实场景中均表现出色，证明其在现实应用中的潜力。 研究团队表示，该算法受到人类大脑与身体协同工作的启发，未来将进一步融合3D视觉、深度感知和关节控制等多模态信息，推动机器人实现更自然、更接近人类的运动与行为。 这项工作为LLM在机器人领域的应用提供了新范式，有望激励更多研究者探索基于大模型的智能机器人系统。