【儀表網 研發快訊】在智能制造領域，基于符號規劃的機器人任務部署，長期受制于脆弱、易出錯的領域模型。盡管大語言模型(LLM)可以快速生成規劃領域定義語言(PDDL)，但常隱含前置條件不足、動作效果缺失等細微缺陷，導致規劃方案語法合規、物理執行卻頻頻失敗，形成難以跨越的 “語義鴻溝”，嚴重制約機器人自動化的穩定性。
針對這一痛點，中國科學院沈陽自動化研究所工業控制網絡與系統研究室科研團隊，提出了一套軌跡引導式領域修復框架，實現符號規劃模型與物理真實場景的精準對齊。
該框架采用了兩階段閉環優化：首先通過迭代束寬搜索，篩選高價值精簡軌跡，最大限度減少機器人與環境的交互成本；其次對執行失敗精準歸因，區分前置條件缺陷與上游動作影響，生成結構化提示引導大語言模型完成模型自動修復。
該方法在 12 組基準測試中完成了驗證，覆蓋工業仿真與實體機器人場景，最終實現71.2% 的執行成功率，在同等標準下超越所有對比方法，達到當前最優水平。同時，該方案交互成本大幅降低，單任務平均僅需 231 次環境交互，相較傳統探索式方法減少近一個數量級，實用性顯著提升。
本研究為打通高層符號推理與底層物理執行提供了可行路徑，可有效提升復雜制造場景下，大語言模型驅動的自動化系統可靠性，為智能機器人、柔性生產線、高端智能制造的落地應用提供了關鍵技術支撐。
該研究成果近期以Bridging the Semantic Gap: Trajectory-Guided Domain Repair for Reliable Planning為題在線發表于國際期刊Robotics and Computer-Integrated Manufacturing。博士研究生劉銳楷為論文第一作者，曾鵬研究員、萬廣喜副研究員為通訊作者。該研究得到了國家自然科學基金、遼寧省自然科學基金、沈陽自動化所基礎研究計劃重點項目的支持。(工業控制網絡與系統研究室)
所有評論僅代表網友意見，與本站立場無關。