LLM 指导的自适应补偿器：将自适应性引入大语言模型驱动的自动控制系统
计算机视觉与模式识别
2025-07-29 v1 图像与视频处理
摘要
随着代码生成、推理和问题解决能力的快速进步，大语言模型(LLM)正在越来越多地应用于机器人领域。目前的大多数工作聚焦于高层次任务，如任务分解。仅有少数研究探索了 LLM 在反馈控制器设计中的应用，但这些工作局限于过于简化的系统、固定结构的增益调谐，以及缺乏实际环境验证。为进一步探讨 LLM 在自动控制中的应用，本文聚焦于一个关键子领域：自适应控制。灵感来源于模型参考自适应控制(MRAC)框架，我们提出一种 LLM 指导的自适应补偿器框架，旨在避免从头设计控制器。相反，通过对未知系统与参考系统之间的偏差进行提示，LLM 用于设计一种补偿器，以对齐未知系统的响应与参考系统的响应，从而实现自适应性。实验在软体机器人和人形机器人上评估了五种方法：LLM 指导的自适应补偿器、LLM 指导的自适应控制器、间接自适应控制、基于学习的自适应控制和 MRAC，分别在仿真和实际环境中进行。结果表明，LLM 指导的自适应补偿器优于传统自适应控制器，显著降低了相较于 LLM 指导的自适应控制器的推理复杂度。Lyapunov 基于的分析和推理路径检查表明，LLM 指导的自适应补偿器通过将数学推导转化为推理任务，实现了更结构化的设计过程，同时展现出强大的泛化性、适应性和鲁健性。这一研究为将 LLM 应用于自动控制领域开辟了新方向，相较于基于视觉语言模型，提供了更大的可部署性和实用性。
引用
@article{arxiv.2507.20507,
title = {Investigating the Effect of Spatial Context on Multi-Task Sea Ice Segmentation},
author = {Behzad Vahedi and Rafael Pires de Lima and Sepideh Jalayer and Walter N. Meier and Andrew P. Barrett and Morteza Karimzadeh},
journal= {arXiv preprint arXiv:2507.20507},
year = {2025}
}