LLM IK

用大語言模型求解逆運動學

該存儲庫是用於生成和測試具有單個“ End效應器”的運動鏈生成的逆運動式解決方案（LLMS）生成的。

特徵

• 可以加載URDF文件。
• 支持基於聊天和基於API的LLM。
• 可以以五種模式解決。
  • 正常：直接嘗試解決鏈條。
  • 擴展：試圖擴展比電流小的鏈條鏈路的現有解決方案。
  • 動態：試圖將解決方案基於已經解決的子鏈。
  • 累積：像動態一樣，但通過所有可能的解決式鍊鍊。
  • 轉移：嘗試將溶液基於僅位置求解器的位置和方向求解器。
• 更昂貴的型號可以從廉價的型號的解決方案擴展或動態構建的模型傳播。

設定

1. 推薦：創建一個虛擬環境python3 -m venv .venv 。
   • 激活虛擬環境。
     • Windows： .venvScriptsactivate.bat 。
     • linux： .venvScriptsactivate.ps1 。
     • MAC： source .venv/bin/activate 。
2. 使用pip install -r requirements.txt安裝所有要求。
3. 如果進行自己的實驗，建議刪除該項目中的所有文件夾，除了Robots或Models ，以及Providers文件夾，如果您希望使用與我們相同的機器人或LLMS。
4. 在根目錄中，確保有一個名為Robots的文件夾，並將您希望使用的機器人的烏爾德文件放置。
5. 在“根目錄”中，確保有一個名為Models的文件夾，並將您希望使用的所有LLM規範文件放置在模型部分中的詳細信息中。
6. 可選：僅當您希望使用OpenAI API兼容API時，這些步驟才適用。
   • 在“根目錄”中，確保有一個名為Providers的文件夾，並將您希望使用的OpenAI API兼容規範文件放置在提供商部分中的詳細信息中。
   • 在“根目錄”中，確保有一個名為Keys的文件夾，並將.txt文件與Providers文件夾中的OpenAI API兼容規範文件相同，並將適當的API鍵粘貼到每個文件中。
7. 運行使用llm_ik ，並在“使用”部分中概述的參數。
8. 查看根目錄中的Results文件夾中的結果。

型號

• 模型在root Directory的Models文件夾中的.txt文件中指定。
• 文件的名稱將顯示在結果中。
• 文件的每一行代表有關文件的信息，僅需非API模型的第一行。

格式

1. 如果模型是推理模型，是否是由True或False指定的，默認為False 。如果不是推理模型，提示將包括一份聲明，以“逐步思考並展示您的所有作品”，從而從經營鏈的思維中獲得一些好處。否則，這將被省略，因為推理已經在內部進行了這樣的過程。
2. 該模型的“提供商”的名稱是從Providers文件夾中使用OpenAI API兼容規範文件的名稱（無.txt擴展名）。有關如何自己配置這些文件，請參見“提供者”部分。
3. 該模型的每個令牌的輸入成本。如果未指定，則不能由其他API模型繼承。
4. 該模型的每個令牌的輸出成本。如果未指定，則不能由其他API模型繼承。
5. 如果此模型支持通過OpenAI API調用函數，則由True或False指定，並默認為其提供者是否支持函數。這很有用，因為一些提供商（例如OpenRouter）支持函數調用，但是，並非所有模型都可以使用，從而為您提供了執行人均替代的選擇。但是，如果提供商不支持函數調用，並且將其設置為True ，則提供商的配置將覆蓋為False ，因此只能用於禁用函數調用而不啟用它。如果這是False ，則將其他詳細信息添加到提示中，以便模型仍然可以調用方法，而不是通過OpenAI API函數，而是將常規消息響應解析。
6. 用於此模型的API名稱。如果省略，將使用文件名（沒有.txt擴展名）。

提供者

• OpenAI API兼容提供商在根目錄的Providers文件夾中的.txt文件中指定。

格式

1. 提供商的API端點。
2. 如果此模型支持通過OpenAI API調用函數，則由True或False指定並默認為False 。如果提供商支持方法，但模型不像“模型”部分中的解釋，則僅對該模型覆蓋為False 。

用法

爭論

• -r或--robots - 機器人的名稱。默認為None將所有機器人URDF文件加載到Robots文件夾中。
• -m或--max要運行的最大鍊長。默認為0這意味著沒有限制。
• -o或--orientation - 如果我們要求解方向，除了位置。默認為True 。
• -t或--types運行最高的求解類型。默認Transfer ，這意味著所有運行都已運行。
• -f或--feedbacks - 給出反饋的最大次數。默認為5 。
• -e或--examples - 提供反饋的示例數量。默認為10 。
• -a或--training - 培訓樣本的數量。默認為1000 。
• -v或--evaluating - 評估樣品的數量。默認為1000 。
• -s或--seed - 樣品生成種子。默認為42 。
• -d或--distance可接受的距離錯誤。默認為0.001 。
• -n或--angle - 可接受的角度誤差。默認為0.001 。
• -c或--cwd工作目錄。默認為None獲取當前工作目錄。
• -l或--logging loging-記錄級別。默認為INFO 。
• -w或--wait - API調用之間等待多長時間。默認為1秒。
• -u或 - --run -flag-啟用API運行。
• -b或--bypass標誌- 繞過API運行的確認。

手動聊天

• 如果手動與LLM聊天，則在運行後，查看Interactions文件夾，直到找到您正在尋找的機器人，模型和求解。
• 將最後一個X-Prompt.txt ， X-Feedback.txt ， X-Forward.txt或X-Test.txt複製到聊天接口中，並等待X是數字的響應。
  • 複製整個響應，而不僅僅是代碼。該程序將尋找一個從響應中提取的Python代碼塊，因此，如果您手動提取此代碼，則該程序將無法識別它。
• 收到響應後，製作一個名為X-Response.txt的文本文件，其中X是聊天歷史記錄的下一個數字，然後再次運行程序。重複上一個步驟，然後將其命名為X-Done.txt出現在X為數字的文件。