大型语言模型能从雷达信号中识别材料吗？

准确识别物体的材料组成是AI机器人（由大型语言模型驱动）执行情境感知操控的关键能力。雷达技术为材料识别任务提供了有前景的感知方式。当与深度学习结合使用时，雷达技术在识别各种物体的材料方面已显示出强大的潜力。然而，现有的雷达解决方案通常受限于封闭对象类别，且通常需要针对特定任务收集数据来训练深度学习模型，这大大限制了其实际应用性。这引出了一个重要问题：我们能否利用预训练大型语言模型的强大推理能力，直接从原始雷达信号中推断材料组成？为了回答这一问题，由于雷达信号固有的冗余性以及预训练大型语言模型在训练期间未接触过原始雷达数据这一事实，我们提出LLMaterial，首个研究大型语言模型从雷达信号中识别材料的可行性。首先，我们引入一种受物理启发的信号处理管道，将高冗余雷达原始数据提炼为一组紧凑的中间参数，这些参数封装了材料的内在特征。其次，我们采用检索增强生成（RAG）策略为大型语言模型提供领域特定知识，使其能够解释和推理处理提取的中间参数。通过这种集成，大型语言模型能够对压缩后的雷达特征进行分步推理，从而直接从原始雷达信号中实现开放式材料识别。初步结果表明，LLMaterial能够有效区分多种常见材料，凸显了其在实际材料识别应用中的强大潜力。