数字孪生引导的机器人路径规划：基于 Beta-Bernoulli 融合与大语言模型作为传感器
机器人学
2025-09-26 v1
摘要
将自然语言（NL）提示集成到机器人任务规划中近年来引起了广泛关注。在建筑领域，建筑信息模型（BIM）封装了丰富的环境 NL 描述。我们提出了一种新颖框架，通过将大语言模型（LLM）解释为传感器，利用 Beta-Bernoulli 贝叶斯融合将 NL 指令与 BIM 衍生的语义地图相结合：每个障碍物的设计时排斥系数被视为 Beta(alpha, beta) 随机变量，而 LLM 返回的危险分数作为伪计数用于更新 alpha 和 beta。由此产生的后验均值给出一个连续的、上下文感知的排斥增益，用于增强基于欧几里得距离的势场作为代价启发式。通过根据用户提示中推断的情感和上下文调整增益，我们的方法引导机器人沿更安全、更具上下文意识的路径行进。该方法提供了一种数值稳定的方法，可链接来自建筑工人和工头的多条自然语言命令和提示以实现规划，同时具有灵活性，可集成到任何已学习的或经典的 AI 框架中。仿真结果表明，这种 Beta-Bernoulli 融合在路径鲁棒性和有效性方面均取得了定性和定量的改进。
引用
@article{arxiv.2509.20709,
title = {Digital Twin-Guided Robot Path Planning: A Beta-Bernoulli Fusion with Large Language Model as a Sensor},
author = {Mani Amani and Reza Akhavian},
journal= {arXiv preprint arXiv:2509.20709},
year = {2025}
}