de.wedoany.com-Bericht: Das Forschungsteam des Shenyang Instituts für Automatisierung der Chinesischen Akademie der Wissenschaften hat eine Methode zur Planungsdomänengenerierung und geschlossenen Fehlerbehebung entwickelt, die von einem großen KI-Sprachmodell angetrieben wird, um das Problem des Versagens von Planungsmodellen für Industrieroboter zu lösen.
In industriellen intelligenten Fertigungsszenarien treten bei Bewegungsplanungslösungen für Industrieroboter, die mit großen KI-Sprachmodellen generiert werden, häufig Fälle auf, in denen die Planungslogik den Anforderungen entspricht und die Simulationsergebnisse keine offensichtlichen Mängel aufweisen, die Umsetzung in der Praxis jedoch immer wieder fehlschlägt. Die Forscher weisen darauf hin, dass das Planungsmodell wie ein Aufgabenhandbuch für den Roboter ist. Schon kleine Ungenauigkeiten in der Textbeschreibung können leicht zu Missverständnissen und fehlerhafter Ausführung durch den Roboter führen. Wenn semantische Beschreibungen wie Vorbedingungen und Aktionsergebnisse im Modell geringfügig von der realen Umgebung vor Ort abweichen, kann dies leicht zu Störungen führen. Besonders in komplexen Fertigungsumgebungen mit langen Aufgabenabläufen, starken Aktionsverknüpfungen und vielen Störungen vor Ort wird die „Verständnislücke“ zwischen dem Planungsmodell und der physischen Umgebung zu einem Schlüsselfaktor, der den stabilen Betrieb und die Effizienz des Systems beeinflusst. Herkömmliche Methoden, die auf manueller Fehlersuche, wiederholtem Ausprobieren und erfahrungsbasierter Reparatur beruhen, können die sich häufig ändernden Aufgabenanforderungen in flexiblen Fertigungsszenarien nur schwer erfüllen.
Die von dem Forschungsteam vorgeschlagene neue Methode beginnt mit der vom großen Sprachmodell generierten ersten Planung, filtert repräsentative Ausführungstrajektorien heraus, kombiniert diese mit dem Ausführungsfeedback aus der realen Umgebung, vergleicht die „Planungsvorhersageergebnisse“ mit der „tatsächlichen Ausführungssituation“, identifiziert die „Verständnisabweichungen“ im Modell und führt das Modell zur schrittweisen Korrektur und Verbesserung. Laut dem Forschungsteam geht es bei dieser Methode nicht darum, den Roboter durch massives zufälliges Ausprobieren die richtige Antwort „finden“ zu lassen, sondern das Modell durch eine geringe Menge effektiven Feedbacks lernen zu lassen, „wo der Fehler liegt und wie er korrigiert wird“, um die Genauigkeit und Effizienz zu verbessern und gleichzeitig die tatsächlichen Anforderungen der Industrie an Stabilität, Effizienz und Kosten zu erfüllen.
Diese Forschung macht nicht nur die Ausführung einzelner Planungsaufgaben zuverlässiger, sondern etabliert auch einen kontinuierlichen Korrekturmechanismus für Industrieroboter, der sich an die „reale Umgebung anpasst“. Dadurch wird der Roboter von der Fähigkeit, „automatisch Planungsmodelle zu generieren“ hin zur Fähigkeit geführt, „Planungsmodelle in der realen Umgebung nutzbar zu machen“. Diese Methode bietet einen zuverlässigen technischen Verbesserungspfad für von großen KI-Sprachmodellen angetriebene Fertigungsautomatisierungssysteme und unterstützt die autonome Entscheidungsfindung und Aufgabenausführung von Robotern in intelligenten Fertigungsszenarien.
