arXiv cs.AI· Weizhe Xu, Jialiang Fan, Essien Taylor, Zijun Wang, Russell Joseph, Fanxin Kong·· 12 小时前AI 评分34
SLoSa：面向机器人任务规划的小型、低功耗、安全基础模型框架
SLoSa: Small, Low-Power, and Safe Foundation Models for Robotic Task Planning
AI 导读
SLoSa 是一个神经符号压缩与微调框架，用于训练小型、低功耗且具备安全意识的机器人任务规划基础模型。在四个 PDDL 域上，验证器引导的后训练将 4B-14B 紧凑规划器的成功率提升至 70.5-76.0%，INT4 部署在 Jetson Orin 上平均功耗为 17.85-26.41 W。
正文 · AI 翻译
摘要：安全的机器人任务规划需要规划器能够在满足安全约束的同时可靠地实现任务目标。经典规划器在显式的符号任务表示上进行搜索，能够针对编码的安全约束提供形式化保证，但要求严格的输入格式。其计算成本也会随搜索空间迅速增长。相比之下，大语言模型（LLM）提供了灵活的任务接口和强大的泛化能力，但它们体积大、功耗高，且预训练时几乎没有机器人特定的安全数据和知识。因此，它们难以在资源有限的机器人系统上本地部署。为解决这些局限，我们提出 SLoSa，一个神经符号压缩与微调框架，用于训练基于基础模型的机器人任务规划器，使其具备小体积、低功耗和安全意识。该框架首先利用经典规划器、先进的教师 LLM 和形式化验证器构建安全意识数据集，随后进行两个训练阶段：监督微调和由基于验证的奖励机器引导的强化学习（RL）微调，以强制实现安全对齐。我们在四个规划领域定义语言（PDDL）领域、两个家庭仿真环境、本地边缘平台和一台桌面机械臂上评估 SLoSa。在 PDDL 任务中，验证器引导的后训练将紧凑型 4B-14B 规划器的成功率提升至 70.5-76.0%，而在 Jetson Orin 上进行 INT4 部署需要 17.85-26.41 W 的平均功耗。家庭仿真器和物理机器人上的结果进一步证明了 SLoSa 在多样化机器人任务设置中的适用性。
| 学科： | 机器人学（cs.RO）；人工智能（cs.AI）；计算机科学逻辑（cs.LO） |
| 引用为： | arXiv:2610.28955 [cs.RO] |
| （或 arXiv:2610.28955v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28955 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Weizhe Xu [查看电子邮件]
[v1]
2026年10月20日星期二 22:09:44 UTC（7,407 KB）
来源：arXiv cs.AI · arxiv.org