——可大幅提升智能制造执行可靠性

在智能制造领域，基于符号规划的机器人任务部署，长期受制于脆弱、易出错的领域模型。尽管大语言模型（LLM）可以快速生成规划领域定义语言（PDDL），但常隐含前置条件不足、动作效果缺失等细微缺陷，导致规划方案语法合规、物理执行却频频失败，形成难以跨越的 “语义鸿沟”，严重制约机器人自动化的稳定性。

针对这一痛点，中国科学院沈阳自动化研究所工业控制网络与系统研究室科研团队，提出了一套轨迹引导式领域修复框架，实现符号规划模型与物理真实场景的精准对齐。

该框架采用了两阶段闭环优化：首先通过迭代束宽搜索，筛选高价值精简轨迹，最大限度减少机器人与环境的交互成本；其次对执行失败精准归因，区分前置条件缺陷与上游动作影响，生成结构化提示引导大语言模型完成模型自动修复。

该方法在 12 组基准测试中完成了验证，覆盖工业仿真与实体机器人场景，最终实现71.2% 的执行成功率，在同等标准下超越所有对比方法，达到当前最优水平。同时，该方案交互成本大幅降低，单任务平均仅需 231 次环境交互，相较传统探索式方法减少近一个数量级，实用性显著提升。

本研究为打通高层符号推理与底层物理执行提供了可行路径，可有效提升复杂制造场景下，大语言模型驱动的自动化系统可靠性，为智能机器人、柔性生产线、高端智能制造的落地应用提供了关键技术支撑。

该研究成果近期以Bridging the Semantic Gap: Trajectory-Guided Domain Repair for Reliable Planning为题在线发表于国际期刊Robotics and Computer-Integrated Manufacturing。博士研究生刘锐楷为论文第一作者，曾鹏研究员、万广喜副研究员为通讯作者。该研究得到了国家自然科学基金、辽宁省自然科学基金、沈阳自动化所基础研究计划重点项目的支持。

【关闭窗口】