arXiv cs.AI· Jinglin Dai, Jiawan Wang, Ruiqi Hong, Lei Bu·· 11 小时前AI 评分31
从自然语言意图到可执行控制：面向多组件信息物理系统的分层反馈引导 LLM 规划
From Natural Language Intent to Executable Control: Hierarchical Feedback-Guided LLM Planning for Multi-component Cyber-Physical Systems
AI 导读
研究提出一种分层反馈框架，引导 LLM 为多组件信息物理系统（CPS）生成可执行计划：让模型同时输出结构化任务计划与对应的信号时序逻辑（STL）约束，并用算法识别二者矛盾、反馈修正；执行层控制合成失败时，提取违反约束、组件分配冲突等诊断信息回传以重新规划。在 7 个异构多组件 CPS 场景中，该框架配合 GPT-5 生成可执行计划与可行控制，任务成功率达 87.9%。
正文 · AI 翻译
摘要：大语言模型（LLM）为将自然语言指令转换为信息物理系统（CPS）的任务计划提供了便捷接口。然而，有两个差距阻碍了它们用于真实执行：生成的计划可能误解或遗漏用户意图，而且即使是逻辑上合理的计划，在组件动态、交互或安全约束下也可能不可行。现有的基于 LLM 的规划方法往往缺乏关于生成计划为何失败的有用反馈，对相应修改计划提供的指导很少。为应对这些挑战，我们提出了一个分层反馈框架，使用不同类型的反馈信息来引导 LLM 为 CPS 生成可执行计划。我们提示 LLM 同时生成结构化任务计划和相应的信号时序逻辑（STL）约束，并设计了一种可靠的算法，用于识别二者之间的确定矛盾，并为修正不一致提供反馈。在执行层面，当控制综合失败时，我们提取不同类型的诊断信息，例如被违反的约束和冲突的组件分配，并将其反馈以指导任务重新规划。在七个异构多组件 CPS 场景上的实验表明，我们的框架能够生成可执行计划和可行的控制执行，满足原始自然语言任务，使用 GPT-5 的成功率为 87.9%。
| 评论： | 20 页，6 幅图 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.22441 [cs.AI] |
| （或 arXiv:2610.22441v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22441 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jinglin Dai [查看邮箱]
[v1]
2026 年 10 月 15 日星期四 14:52:57 UTC（7,591 KB）
来源：arXiv cs.AI · arxiv.org