ASTRIL-MPC 框架结合 LLM 优化履带机器人自主穿越
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
ASTRIL-MPC 框架利用大语言模型调整模型预测控制参数，解决关节履带机器人在复杂环境中的穿越难题。该系统通过学习运动学模型预测状态增量，结合非线性 MPC 规划与安全接口，实现 100 毫秒内完成控制循环。测试显示，其穿越质量评分较非自适应 NMPC 提升 71%，较 PPO 基线提升 67%，并消除了下坡过程中的可测量碰撞。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载框架核心构成
ASTRIL-MPC 旨在解决关节履带机器人在城市搜救等接触丰富环境中的自主穿越问题。由于机器人与地形的交互具有混合且不连续的特性，且有效的履带-翻转协调难以通过解析模型实现，该框架提出了语言引导的神经运动学模型预测控制方案。系统包含三个核心组件：学习运动学模型、非线性 MPC（NMPC）以及大语言模型（LLM）。
LLM 参数调整
在控制流程中，学习运动学模型负责根据高度序列和近期轨迹预测短视距任务状态增量。NMPC 则基于多目标成本和严格的可行性约束进行规划。LLM 通过一个经过安全检查的接口，对选定的权重和边界提出有界更新。该接口配备了范围裁剪、速率限制和一致性检查机制，确保调整过程的安全性与稳定性。编译后的预测器使得整个控制周期可在 100 毫秒内完成。
性能提升表现
该框架在三项穿越任务和一个多高度泛化设置中进行了验证。结果显示，ASTRIL-MPC 的综合穿越质量评分相比非自适应 NMPC 提高了 71%，相比 PPO 基线提高了 67%。此外，在机器人下坡过程中，该系统成功消除了可测量的碰撞影响。研究表明，将学习运动学、基于优化的规划与语言引导的重调相结合，能够为关节履带机器人带来数据高效且鲁棒的自主能力。
为什么值得看
展示了 LLM 在机器人实时控制闭环中提升鲁棒性与适应性的潜力。
安全
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。