fr.wedoany.com Rapport : L'équipe de recherche de l'Institut d'automatisation de Shenyang de l'Académie des Sciences de Chine a proposé une méthode de génération de domaine de planification et de correction en boucle fermée, pilotée par un grand modèle de langage d'IA, pour résoudre le problème de défaillance des modèles de planification des robots de fabrication industrielle.
Dans les scénarios de fabrication intelligente industrielle, les plans de mouvement des robots de fabrication industrielle générés par les grands modèles de langage d'IA présentent souvent des cas où la logique de planification répond aux exigences lors de la déduction, et les résultats de simulation ne montrent aucune faille évidente, mais échouent fréquemment lors de la phase d'exécution réelle. Les chercheurs soulignent que le modèle de planification est comme un manuel de tâches pour le robot ; une légère omission dans la description textuelle peut facilement entraîner des erreurs de compréhension et des écarts d'exécution. Si les descriptions sémantiques telles que les conditions préalables et les résultats des actions dans le modèle diffèrent subtilement de l'environnement réel sur site, des dysfonctionnements sont susceptibles de se produire. En particulier dans les environnements de fabrication complexes, où les processus de tâches sont longs, les actions sont fortement interdépendantes et les perturbations sur site sont nombreuses, le « décalage de compréhension » entre le modèle de planification et l'environnement physique devient un facteur clé affectant la stabilité et l'efficacité du système. Les méthodes traditionnelles, qui reposent sur une inspection manuelle, des essais et erreurs répétés et des réparations basées sur l'expérience, ont du mal à s'adapter aux besoins de tâches fréquemment changeants dans les scénarios de fabrication flexibles.
La nouvelle méthode proposée par l'équipe de recherche part de la planification initiale générée par le grand modèle de langage, sélectionne des trajectoires d'exécution représentatives, puis combine les retours d'exécution de l'environnement réel pour comparer les « résultats de planification prédits » avec les « situations d'exécution réelles », identifier les « biais de compréhension » dans le modèle et guider le modèle pour les corriger et les améliorer progressivement. Selon l'équipe de recherche, cette méthode ne consiste pas à laisser le robot « trouver » la bonne réponse par un grand nombre d'essais et d'erreurs aléatoires, mais à permettre au modèle, grâce à un petit nombre de retours efficaces, d'apprendre à maîtriser « où l'erreur a été écrite et comment la corriger », améliorant ainsi la précision et l'efficacité, tout en répondant aux exigences réelles de stabilité, d'efficacité et de coût sur le site industriel.
Cette recherche rend non seulement l'exécution d'une seule tâche de planification plus fiable, mais établit également un mécanisme de correction continue « adapté à l'environnement réel » pour les robots de fabrication industrielle, permettant aux robots de passer de la « capacité à générer automatiquement des modèles de planification » à la « capacité à rendre les modèles de planification utilisables dans l'environnement réel ». Cette méthode offre une voie d'amélioration technique fiable pour les systèmes d'automatisation de fabrication pilotés par les grands modèles de langage d'IA et soutient la prise de décision autonome et l'exécution de tâches des robots dans les scénarios de fabrication intelligente.
