Od poleceń słownych do wykonalnych działań: hierarchiczne planowanie LLM z informacją zwrotną dla sy

Naukowcy z arXiv opracowali hierarchiczny system informacji zwrotnej, który umożliwia modelom LLM takim jak GPT-5 tłumaczenie poleceń w języku naturalnym na wykonalne plany dla systemów cyber-fizycznych. Dotychczasowe podejścia miały poważne ograniczenia - LLM generowały plany, które mogły pominąć intencję użytkownika lub okazać się niemożliwe do wykonania ze względu na ograniczenia fizyczne, bezpieczeństwa czy interakcje między komponentami.

Nowa metoda działa na dwóch poziomach. Na poziomie planowania LLM generuje zarówno strukturalny plan zadania, jak i odpowiadające mu ograniczenia logiki temporalnej (STL). System analizuje sprzeczności między nimi i udzielając informacji zwrotnej, pomaga modelowi skorygować niespójności. Na poziomie wykonania, gdy synteza sterowania zawiedzie, algorytm ekstrahuje informacje diagnostyczne takie jak naruszenia ograniczeń czy konfliktujące przypisania komponentów i zwraca je modelowi do ponownego planowania.

Badacze przetestowali rozwiązanie na siedmiu różnych scenariuszach wielokomponentowych systemów cyber-fizycznych. Okazało się, że ich framework osiąga 87,9% sukcesu w generowaniu planów, które są zarówno wykonalne, jak i spełniają pierwotne polecenie użytkownika. To znaczący postęp dla praktycznego zastosowania LLM w robotyce, automatyzacji przemysłowej i innych systemach, gdzie błędy mogą mieć rzeczywiste konsekwencje.