物理代理 AI：使用 LLM 编排机器人团队的架构

智能体AI框架解释开放式任务目标并将其分解为多步骤计划。关于具体实施例的能力、物理先决条件和跨机器人协调的更丰富的信息可以改善基础，但并不能消除不可行、不合时宜或不安全的物理动作。因此，物理机器人人员需要在语义规划和执行之间有一个明确的架构接口，其中每个计划的动作在启动之前都会根据机器人功能、系统状态和工作流程约束进行验证。本文介绍了物理智能体AI，这是一种基于技能的机器人代理编排框架，其中每个机器人都公开可执行技能的类型库，而基础模型规划器将任务分解为阶段并将每个阶段分配给机器人技能对。机器人编排层向非执行任务规划器公开技能库、机器人状态、命名位置和工作流程合同，而确定性机器人编排器一次验证并授权一项技能。我们评估了无人机 UGV 搜索和调度任务，其中每种条件下的每个任务都在 Gazebo 中实时执行，以及使用硬件等效技能接口以及 Unitree G1 和 Go2 上的两次物理试验的人形四足运输任务。独立改变规划者知识和运行时执行，我们发现检索将技能基础从 51% 提高到 96%，但让知情的规划者调度 23-29% 的错误步骤。每次调度执行将错误调度率降低到 0%，且没有错误区块，并且保留计划消融确认是门而不是计划变化负责。实时执行会带来物理上的差异：如果不强制执行，所有八个注入的故障都会跨越编排边界，并且六个会产生机器人运动；在执行过程中，所有八项动议均被拒绝。