De acordo com pt.wedoany.com-A equipa de investigação do Instituto de Automação de Shenyang, da Academia Chinesa de Ciências, propôs um método de geração e reparação em ciclo fechado para domínios de planeamento, impulsionado por modelos de linguagem de grande escala (LLM) de IA, para resolver o problema de falha dos modelos de planeamento em robôs de fabrico industrial.

Em cenários de fabrico inteligente industrial, os planos de movimento para robôs de fabrico industrial gerados por modelos de linguagem de grande escala de IA frequentemente cumprem os requisitos na dedução lógica do planeamento e não apresentam lacunas óbvias nos resultados da simulação, mas falham repetidamente na fase de execução prática. Os investigadores apontam que o modelo de planeamento é como um manual de instruções para o robô; qualquer pequena omissão na descrição textual pode facilmente levar a desvios na compreensão do robô e a erros na execução. Se houver pequenas discrepâncias entre descrições semânticas, como pré-condições e efeitos de ações no modelo, e o ambiente real no local, é muito provável que ocorram falhas. Especialmente em ambientes de fabrico complexos, com longos fluxos de tarefas, fortes correlações de ações e muitas perturbações no local, a "lacuna de compreensão" entre o modelo de planeamento e o ambiente físico torna-se um fator chave que afeta a operação estável e a eficiência do sistema. As abordagens tradicionais, que dependem de inspeção manual, tentativa e erro repetidos e reparação baseada na experiência, têm dificuldade em adaptar-se às necessidades de tarefas que mudam frequentemente em cenários de fabrico flexível.

O novo método proposto pela equipa de investigação começa com o planeamento inicial gerado pelo modelo de linguagem de grande escala, seleciona trajetórias de execução representativas e, em seguida, combina o feedback da execução no ambiente real para comparar os "resultados previstos do planeamento" com a "situação real de execução", identificando os "desvios de compreensão" no modelo e orientando o modelo para os corrigir e aperfeiçoar gradualmente. De acordo com a equipa de investigação, este método não faz com que o robô "encontre" a resposta correta através de uma grande quantidade de tentativa e erro aleatório, mas sim permite que o modelo aprenda "onde está o erro e como corrigi-lo" através de uma pequena quantidade de feedback eficaz, melhorando a precisão e a eficiência, ao mesmo tempo que satisfaz os requisitos práticos de estabilidade, eficiência e custo no ambiente industrial.

Esta investigação não só torna a execução de tarefas de planeamento individuais mais fiável, como também estabelece um mecanismo de correção contínua "adaptado ao ambiente real" para robôs de fabrico industrial, permitindo que os robôs passem de "ser capazes de gerar automaticamente modelos de planeamento" para "tornar os modelos de planeamento utilizáveis no ambiente real". Este método fornece um caminho fiável para a melhoria tecnológica de sistemas de automação de fabrico impulsionados por modelos de linguagem de grande escala de IA e oferece suporte para a tomada de decisão autónoma e execução de tarefas por robôs em cenários de fabrico inteligente.