Проблема: разрыв между текстом и физикой
Большие языковые модели (LLM) часто используются для перевода естественного языка в планы действий для киберфизических систем (CPS). Однако этот подход сталкивается с двумя критическими барьерами: LLM могут неверно интерпретировать намерение пользователя или упустить важные детали, а даже логически безупречный план может оказаться невыполнимым из-за динамики компонентов, их взаимодействия или строгих ограничений безопасности.
Существующие решения обычно не предоставляют информативной обратной связи о причинах сбоев, что делает процесс исправления плана неэффективным.
Решение: иерархическая обратная связь и STL
Авторы (Jinglin Dai, Jiawan Wang, Ruiqi Hong, Lei Bu) предлагают фреймворк, который использует два уровня обратной связи для корректировки действий LLM:
- Уровень планирования: LLM генерирует структурированный план и соответствующие ему ограничения в виде сигнальной темпоральной логики (STL). Специальный алгоритм выявляет противоречия между планом и логикой, предоставляя данные для исправления.
- Уровень исполнения: При сбое синтеза управления система извлекает диагностическую информацию (нарушенные ограничения, конфликты назначений) и возвращает их LLM для перепланирования.
Результаты: 87.9% успеха на GPT-5
Эксперименты проводились на семи гетерогенных сценариях многокомпонентных CPS. Фреймворк позволяет генерировать исполняемые планы, которые удовлетворяют исходным миссиям на естественном языке. Ключевая метрика — доля успешных выполнений — составила 87.9% при использовании модели GPT-5.
Сравнение эффективности
Ниже приведены ключевые показатели работы предложенного метода в сравнении с базовыми подходами (на основе данных исследования):
| Метрика / Модель | Результат | Примечание |
|---|---|---|
| Успешность (GPT-5) | 87.9% | Высокий уровень выполнения миссий |
| Количество сценариев | 7 | Гетерогенные многокомпонентные CPS |
| Язык ограничений | STL | Сигнальная темпоральная логика |
| Основной вклад | Иерархическая обратная связь | Коррекция на уровне логики и управления |
Значение для отрасли
Работа демонстрирует путь к созданию автономных систем, способных понимать сложные инструкции человека и адаптироваться к физическим ограничениям в реальном времени. Это критически важно для робототехники, умных городов и автономного транспорта, где ошибка в планировании может привести к катастрофическим последствиям.
Источник: arXiv cs.AI ↗