用于物理自适应操作的基于身体的重新规划

操控不仅需要对外部环境进行推理，还需要对机器人的身体状况进行推理。策略可能在几何上保持可行，但由于关节负载增加或移动性有限而变得物理上不适合，但内部物理状态通常仅用于低级控制。我们提出基于身体的高级重新规划，它使用内部物理状态来适应执行过程中的操纵策略。身体状态事件触发策略重新规划，LLM 解释底层联合级状态、最近的执行统计数据和执行历史，以选择依赖于上下文的替代方案，同时保持任务目标和低级控制器不变。我们在模拟和真实机器人上评估受控负载和不对称移动约束下的到达任务的框架。我们的实验表明，基于身体的重新规划可以保持较高的任务成功率，同时减少体力消耗并实现更有效的策略适应。其他富含接触的操作实验证明了相同的重新规划界面的适用性超出了预期。这些结果表明，内部物理状态不仅可以告知低级控制，还可以告知如何执行操作任务的高级决策。