一种具备正确性保证的 LLM 驱动的自然语言到机器人语言翻译框架
机器人学
2025-08-27 v1 人工智能
编程语言
摘要
大语言模型 (Large Language Models, LLM) 正越来越多地部署于机器人领域，为特定用户任务生成机器人控制程序，从而实现具身智能。现有方法主要侧重于 LLM 训练和提示设计，利用 LLM 直接从自然语言的用户任务生成可执行程序。然而，由于 LLM 的不一致性及任务的高复杂性，此类尽力而为的方法常常导致生成代码中出现大量编程错误，这严重削弱了其有效性，尤其是在应用轻量级 LLM 时。本文介绍了一种自然语言到机器人语言的翻译框架，该框架 (i) 为生成的控制程序提供正确性验证，并 (ii) 通过基于反馈的程序微调来增强 LLM 在程序生成中的性能。为实现此目标，我们提出了一种机器人技能语言（Robot Skill Language, RSL），以抽象掉控制程序的复杂细节，在自然语言任务与底层机器人技能之间架起桥梁。然后，构建了 RSL 编译器和调试器，用于验证 LLM 生成的 RSL 程序，并向 LLM 提供错误反馈以细化输出，直至通过编译器验证。这为 LLM 生成的程序在卸载到机器人执行之前提供了正确性保证，显著增强了 LLM 驱动机器人应用的有效性。实验表明，NRTrans 在一系列 LLM 和任务中均优于现有方法，并且对轻量级 LLM 实现了高成功率。
引用
@article{arxiv.2508.19074,
title = {An LLM-powered Natural-to-Robotic Language Translation Framework with Correctness Guarantees},
author = {ZhenDong Chen and ZhanShang Nie and ShiXing Wan and JunYi Li and YongTian Cheng and Shuai Zhao},
journal= {arXiv preprint arXiv:2508.19074},
year = {2025}
}