融合 LLM 和时序逻辑，在复杂场景中实现可靠的人群协作

机器人群有望在复杂和危险的环境中提供可扩展的援助。任务规划是人类群体协作的核心，它将操作员的意图转化为协调的群体行动，并帮助确定执行过程中何时需要验证或干预。然而，在动态场景下的长视野任务中，可靠的任务规划变得难以维持：新出现的事件和不断变化的条件需要不断适应，而持续的操作员监督会带来巨大的认知负担。现有的基于LLM的规划工具可以支持计划生成，但它们仍然容易受到无效任务顺序和不可行的机器人动作的影响，从而导致频繁的手动调整。在这里，我们介绍了一种用于长期人类群体协作的神经符号框架，该框架将可验证的任务规划与基于上下文的 LLM 推理紧密结合在一起。我们将任务目标和操作规则形式化为时间逻辑公式，将可接受的任务顺序形式化为任务自动机。以这些形式约束和实时感知上下文为条件，LLM 生成满足任务规则并保持基于当前场景的可执行子任务序列。然后，不确定性感知调度程序在异构群中分配子任务，以最大限度地提高并行性，同时保持对中断的弹性。事件触发的交互协议进一步将操作员的参与限制在稀疏的、高层的确认和指导上。在异构机器人队列上的部署会产生类似的结果，同时对特定于硬件的驱动和通信不确定性保持鲁棒性。这些结果共同支持了一种正式且可扩展的范例，可在动态环境中实现可靠且低开销的人群协作