LEMCA：大语言模型指导的高效模式切换控制架构综合

自然世界中的物理控制任务（例如驾驶或物体操纵）经常会随着时间的推移而表现出感官和计算复杂性的巨大变化。相应地，机器人控制的自然资源有效选择是在具有不同资源分配的控制模式之间动态切换。然而，这种“模式切换控制器”（MSC）历来需要为每项新任务进行费力的、专家驱动的设计和综合。在这些设计困难的推动下，现代机器人控制架构通常会退回到一种浪费的“整体”一刀切结构，其中资源分配永久固定在最困难、资源最密集的任务阶段。为了促进高性能且高效的 MSC 的设计，我们提出了 LLM 引导的高效模式切换控制架构 (LEMCA) 综合。 LEMCA 将 MSC 设计表示为可解释的程序，可在进化循环中迭代完善。为了评估设计的适用性，我们提出了自动控制器合成方法的 MSC 兼容扩展，例如仿真中的强化学习。然后，LEMCA 利用大型语言模型 (LLM) 的语义先验、推理和编码功能来迭代编辑控制器模式、相应的感知计算资源分配和模式转换。我们在不同控制基准上的实验表明，LEMCA 通过在“简单”任务阶段回收浪费的资源，不断发现超越整体设计帕累托前沿的策略。因此，LEMCA 提供了一种自动化、省力的途径来综合资源高效的 MSC 设计。