Академия наук Китая предложила метод генерации и замкнутой коррекции доменов планирования для промышленных роботов на основе ИИ

Репортаж от Wedoany，Научно-исследовательская группа Шэньянского института автоматизации Китайской академии наук предложила метод генерации и замкнутой коррекции доменов планирования на основе больших языковых моделей ИИ для решения проблемы сбоев моделей планирования промышленных производственных роботов.

В сценариях интеллектуального промышленного производства планы движения промышленных роботов, сгенерированные с помощью больших языковых моделей ИИ, часто соответствуют требованиям логической дедукции, результаты моделирования не имеют явных недостатков, но на этапе практической реализации они часто дают сбои. Исследователи отмечают, что модель планирования подобна инструкции по эксплуатации робота: малейшая неточность в текстовом описании может привести к неправильному пониманию и искажению выполнения задач роботом. Если семантические описания, такие как предварительные условия и результаты действий в модели, имеют незначительные расхождения с реальной производственной средой, это может легко привести к неисправностям. Особенно в сложных производственных средах, где длинные цепочки задач, сильные взаимосвязи действий и множество внешних возмущений, «разрыв в понимании» между моделью планирования и физической средой становится ключевым фактором, влияющим на стабильность и эффективность системы. Традиционные методы, основанные на ручной проверке, многократных пробах и ошибках и корректировке на основе опыта, с трудом адаптируются к часто меняющимся требованиям задач в условиях гибкого производства.

Предложенный исследовательской группой новый метод начинается с анализа начального плана, сгенерированного большой языковой моделью, отбирает репрезентативные траектории выполнения, а затем, объединяя их с обратной связью от реальной среды, сравнивает «прогнозируемые результаты планирования» с «фактическими результатами выполнения», выявляет «ошибки понимания» в модели и направляет модель на их постепенное исправление и совершенствование. По словам исследовательской группы, этот метод не заставляет робота «натыкаться» на правильный ответ путем множества случайных проб и ошибок, а позволяет модели на основе небольшого количества эффективной обратной связи научиться понимать, «где допущена ошибка и как ее исправить», тем самым повышая точность и эффективность, а также удовлетворяя реальные требования промышленных объектов к стабильности, эффективности и стоимости.

Данное исследование не только делает выполнение отдельных задач планирования более надежным, но и создает для промышленных производственных роботов механизм непрерывной коррекции, «адаптирующийся к реальной среде», позволяя роботам перейти от «возможности автоматической генерации моделей планирования» к «обеспечению работоспособности моделей планирования в реальной среде». Этот метод предоставляет надежный путь технологического совершенствования для систем производственной автоматизации на основе больших языковых моделей ИИ и обеспечивает поддержку для автономного принятия решений и выполнения задач роботами в сценариях интеллектуального производства.