比如在桌子上有许多blcoks，命令可以是「用绿眼睛做一个笑脸」或者「把所有的放在一条垂直线上」等。
因为机器人被训练去跟随开放的词汇语言，所以在实验中能够看到机器人可以对一系列不同的口头修正做出反应，如「轻轻地向右移动红色的星星」。
最后，研究人员探索了实时语言的优势，例如可以让机器人数据采集变得更加高效，一个人类操作员可以同时使用口头语言控制四个机器人，有可能在未来扩大机器人数据收集的规模，而不需要为每个机器人配备一个标注员。
结论虽然该项目目前仅限于桌面上的一套固定的物体，但交互式语言的实验结果可以初步表明，大规模模仿学习确实可以生产出实时交互式机器人，能够遵循自由形式的终端用户命令。
为了推动物理机器人实时语言控制技术的进步，研究人员开源了Language-Table，也是目前最大的基于语言条件下的真实世界机器人演示数据集，也可以作为相关的模拟基准。
研究人员认为，这个数据集的作用可能不仅仅局限于机器人控制领域，而且可能为研究语言和动作条件视频预测、机器人视频条件语言建模，或者在更广泛的机器学习环境中研究其他许多有趣的活跃问题提供一个新起点。
参考资料：
https://ai.googleblog.com/2022/12/talking-to-robots-in-real-time.html
