融合LLM与时序逻辑实现复杂场景下可靠的人-集群协同

机器人集群有望在复杂和危险环境中提供可扩展的辅助。任务规划是人-集群协同的核心，它将操作员的意图转化为协调的集群行动，并帮助确定在执行过程中何时需要验证或干预。然而，在动态场景下的长时域任务中，可靠的任务规划难以维持：新出现的事件和变化的条件需要持续适应，而持续的操作员监督会带来巨大的认知负担。现有的基于LLM的规划工具可以支持计划生成，但它们仍然容易产生无效的任务排序和不可行的机器人动作，导致频繁的手动调整。在此，我们引入了一个用于长时域人-集群协同的神经符号框架，该框架将可验证的任务规划与基于上下文的LLM推理紧密融合。我们将任务目标和操作规则形式化为时序逻辑公式，并将可接受的任务排序形式化为任务自动机。在这些形式化约束和实时感知上下文的条件下，LLM生成可执行的子任务序列，这些序列满足任务规则并基于当前场景。然后，一个不确定性感知调度器在异构集群中分配子任务，以最大化并行性，同时保持对干扰的鲁棒性。一个事件触发的交互协议进一步将操作员的参与限制在稀疏的高层确认和指导上。在异构机器人车队上的部署产生了相似的结果，同时对硬件特定的驱动和通信不确定性保持鲁棒。这些结果共同支持了一种在动态环境中实现可靠且低开销的人-集群协同的形式化、可扩展的范式。