LLM-controller: Dynamic robot control adaptation using large language models

Rasoul Zahedifar

doi:10.1016/j.robot.2024.104913

2025-04-01

PRE

Rasoul Zahedifar

Mahdieh Soleymani Baghshah

Alireza Taheri *

DOI：10.1016/j.robot.2024.104913

原文链接

原文求助

摘要

En 中文

本研究探讨了使用大型语言模型（LLMs）对机器人控制器进行动态适应性调整。我们提出了名为LLM-Controller的控制器，该控制器能够针对系统动力学或参考信号的变化，由LLM对新情境进行适应性调整。分析了反映真实条件的多种场景，包括未知扰动、未建模动力学以及变化的参考信号。使用所提出的LLM-Controller，可以实现无需手动调校的自动适应新条件。此外，通过使用不同的提示技术（如零样本和少样本链式思维COT），对控制器性能进行了研究，这些技术有助于分步推理并提升对新情境的适应性。所提出的方案应用于涉及机器人操作器的两个案例研究。首先在2关节机器人操作器上进行了测试，随后在3关节操作器上进行验证以增强其泛化能力。算法的适应性和有效性在一系列任务和条件下进行了进一步评估，展示了其在各种场景中的多功能性。结果表明，对于2关节操作器，LLM-Controller在适应新条件时达到了100%的成功率，并显著提升了试验效率；而对于3关节系统，控制器维持了90%的成功率，在20秒内显示出对参考信号或动态条件变化的更强适应性。这些成果可通过采用COT方法进一步优化，可能实现更高的成功率、更少的试验次数以及更优化的成本。相比之下，经典非线性自适应控制器难以适应新条件，而LLM-Controller能够自动调整，引导系统达到新的稳定状态。本研究为大型语言模型（LLMs）如何提升决策能力、增强动态不确定环境下的稳定性和性能提供了有价值的见解。

Keyword:

Large language models (LLMs)

LLM-controller

Robot controller

Dynamic adaptation

Chain-of-thought (COT)

Lyapunov theory

Nonlinear adaptive controller