从语义决策到可行轨迹：自进化大语言模型引导的狭窄空间停车最优控制

非凸面和狭窄环境中的自动停车仍然具有挑战性。尽管最优控制方法可以明确地强制执行车辆动力学和碰撞约束，但非凸性会损害求解器的鲁棒性并可能导致故障。大型语言模型（LLM）表现出强大的语义推理能力，但直接生成密集轨迹很难保证物理可行性。我们引入了 SE-LLM-OCP，这是一个统一的框架，大语言模型在其中做出高级离散机动决策，而最优控制模块则强制执行低级车辆动力学和碰撞约束。在网上，大语言模型提出了稀疏机动计划，将停车任务分解为一系列短视野轨迹优化问题。然后，低级求解器依次求解最优控制问题。如果求解器失败，LLM 会聚合求解器和验证阶段的失败证据来指导重新规划。离线时，SE-LLM-OCP 在累积的在线故障的驱动下，从头开始自动演化出结构化的决策知识库。我们在类汽车模型和差动驱动机器人的仿真中验证了我们提出的框架。我们的实验结果表明，SE-LLM-OCP 可以在狭窄的场景中实现更安全的自动停车，并演示将相同的机动表示转移到不同的运动学平台。