LLM 驱动的自我完善式机体无人机任务规划
机器人学
2025-08-22 v1 人工智能
摘要
我们提出了 SRDrone，一个用于工业级机体无人机自我完善任务规划的新系统。SRDrone 包含两个关键技术贡献：首先，它采用连续状态评估方法，稳健准确地确定任务结果并提供解释性反馈。该方法取代了传统依赖单帧最终状态评估以应对连续动态无人机操作。其次，SRDrone 实施了分层行为树（BT）修改模型。该模型将多级 BT 计划分析与受限策略空间相结合，以启用从经验中进行结构性反思学习。实验结果表明，SRDrone 相对于基线方法实现了 44.87% 的成功率提升。此外，利用通过迭代自我完善优化的经验库进行的实际部署实现了 96.25% 的成功率。通过在工业级 BT 规划框架中嵌入自适应任务完善能力，SRDrone 有效地将大型语言模型（LLM）的通用推理智能与机体无人机固有的严格物理执行约束相结合。代码已公开 https://github.com/ZXiiiC/SRDrone。
引用
@article{arxiv.2508.15501,
title = {LLM-Driven Self-Refinement for Embodied Drone Task Planning},
author = {Deyu Zhang and Xicheng Zhang and Jiahao Li and Tingting Long and Xunhua Dai and Yongjian Fu and Jinrui Zhang and Ju Ren and Yaoxue Zhang},
journal= {arXiv preprint arXiv:2508.15501},
year = {2025}
}
备注
14pages