基于混合大语言模型(LLM)-符号规划与LLM引导的强化学习的新颖适应
机器人学
2026-03-13 v1 人工智能
摘要
在动态开放世界环境中，自动化代理常常遇到novelty，这会阻碍其找到实现目标的计划。 Specifically，传统符号规划器在机器人的规划域缺乏能够使其与环境中novel objects适当交互的算子时，无法生成计划。我们提出了一种神经符号架构，将符号规划、强化学习和大语言模型(LLM)集成，以学习如何处理novel objects。具体而言，我们利用LLM的常识推理能力识别缺失的算子，生成计划，然后编写奖励函数以引导强化学习代理学习控制策略。我们的 method 在连续机器人域中的算子发现和算子学习方面均优于最新方法。
引用
@article{arxiv.2603.11351,
title = {Novelty Adaptation Through Hybrid Large Language Model (LLM)-Symbolic Planning and LLM-guided Reinforcement Learning},
author = {Hong Lu and Pierrick Lorang and Timothy R. Duggan and Jivko Sinapov and Matthias Scheutz},
journal= {arXiv preprint arXiv:2603.11351},
year = {2026}
}