一种基于领域自适应大语言模型的工业机器人任务分解与安全验证方法

本发明属于工业机器人与人工智能技术交叉领域，具体涉及一种基于领域自适应大语言模型的工业机器人自然语言任务分解与安全验证方法，特别适用于柔性制造场景下工业机器人的零代码或低代码编程。

背景技术：

1、

2、工业机器人在现代制造业中扮演着至关重要的角色。然而，传统工业机器人编程高度依赖专业工程师通过示教器逐点编程或离线编写复杂代码，流程繁琐、周期长、灵活性差，难以适应小批量、多品种的柔性制造需求。

3、近年来，大语言模型（large language model, llm）在自然语言理解、逻辑推理和代码生成方面展现出强大能力。研究人员开始尝试将llm应用于机器人任务规划，例如google提出的“code as policies”框架（liang et al., 2023）、卡内基梅隆大学的“innermonologue”框架（huang et al., 2022）等。这些方法能够将高层自然语言指令解析为可执行的动作序列或代码片段。

4、然而，现有技术存在明显缺陷：

5、（1）安全性缺失：通用llm生成的计划缺乏对工业环境物理约束（如机器人运动学极限、奇异点、碰撞）的深刻理解，可能生成不安全或不可行的动作，即“幻觉”问题。例如，中国发明专利cn120862711b虽然涉及自然语言分解和空间约束，但其安全验证主要限于三维空间几何约束，未涉及运动学可行性、动力学约束等多维度验证。

6、（2）领域知识匮乏：通用llm对“去毛刺”、“柔性装配”、“扭矩控制”等工业专业术语理解有限，难以生成符合工艺要求的任务序列。现有技术（如us2025/0217539a1）虽涉及llm微调，但主要应用于医疗健康领域，未针对工业机器人构建专门的知识图谱。

7、（3）验证机制薄弱：现有技术大多直接将llm输出用于控制，缺乏系统性的、分层级的验证与过滤机制。us2025/0042032a1虽然采用后处理方式修改llm输出，但属于事后修正，未能在任务分解过程中实时验证并反馈。非专利文献safeplan（arxiv:2503.06892）依赖llm自身的链式思维推理进行安全判断，存在判断偏差风险。

8、（4）缺乏仿真前置验证：现有方法均未要求强制性的数字孪生仿真验证作为实体执行的前置条件。

9、因此，如何构建一个可靠、安全且具备工业领域知识的llm任务规划引擎，是本领域亟待解决的技术问题。

技术实现思路

1、

2、一、发明目的

3、本发明的目的在于克服现有技术的不足，提供一种基于领域自适应大语言模型的工业机器人任务分解与安全验证方法，通过构建工业知识图谱、微调领域大模型、引入分层安全验证机制和数字孪生仿真前置验证，显著提升自然语言驱动工业机器人的可靠性和安全性。

4、技术方案

5、本发明采用如下技术方案：

6、一种基于领域自适应大语言模型的工业机器人任务分解与安全验证方法，包括以下步骤：

7、步骤s1：构建工业知识图谱与领域自适应微调

8、首先，系统收集工业机器人操作手册、工艺文件、安全规范、维修记录等非结构化文本数据。利用命名实体识别（ner）和关系抽取技术，提取出“操作对象—动作—参数—约束”四元组，形成知识图谱。该知识图谱以图数据库形式存储，包含机器人型号、关节范围、工具参数、工件特征、工艺参数、安全区域等实体及其关联。

9、然后，选取开源大语言模型（如deepseek、llama 2/3、chatglm）作为基座模型。利用构建的知识图谱和人工标注的指令—代码对数据，采用lora（low-rank adaptation）等参数高效微调方法，对基座模型进行领域自适应微调，得到工业大语言模型dai-llm（domain-adapted llm for industry）。微调过程中，保持基座模型的通用语言能力，同时注入工业专业知识和安全约束。

10、步骤s2：递归任务分解与层次化任务树生成

11、接收用户输入的自然语言指令，例如“把红色的零件放到左边的箱子里，注意避开中间障碍物”。将该指令输入dai-llm。

12、dai-llm首先解析指令意图，识别出顶层任务。然后，采用递归分解策略：将顶层任务分解为若干子任务（如“识别红色零件”、“规划避障路径”、“抓取零件”、“移动到箱子上方”、“释放零件”），每个子任务再进一步分解为原子操作（如“调用视觉检测”、“逆运动学求解”、“发送关节角度指令”）。最终生成一棵层次化任务树，其中根节点为原始指令，中间节点为复合任务，叶子节点为可执行的原子技能。

13、递归分解过程中，dai-llm会利用微调时注入的知识图谱信息，确保分解出的子任务名称、参数类型与工业实际相符。

14、步骤s3：基于物理常识与安全规则的分层实时验证

15、在每次生成一个子任务后、将该子任务加入任务树之前，依次调用两个验证模块：

16、 （1）物理常识检查器：该检查器内置机器人运动学模型（如urdf描述文件）、动力学约束（最大速度、加速度、力矩）、碰撞检测模型（基于包围盒或距离场）。对于一个动作子任务（如“移动关节至目标姿态”），检查器会快速判断目标姿态是否在关节限位内、是否接近奇异点、末端轨迹是否可能与环境碰撞。若不可行，则向dai-llm反馈错误信息，触发重新分解。

17、（2）安全规则库：存储工业安全标准（如iso 10218）和企业自定义规则，例如“力阈值不得超过100n”、“禁止进入区域为(x,y,z)球体”、“只有在门关闭时才能启动”。验证子任务是否违反这些规则。若违反，则拒绝该子任务并向上层报告。

18、只有同时通过物理常识检查和安全规则验证的子任务才被保留在任务树中。若验证不通过，系统将失败原因反馈至dai-llm，要求重新分解；若多次失败，则拒绝指令并向用户提示。

19、步骤s4：任务树到可执行代码的转换

20、对于验证通过的任务树，代码生成模块将每个原子技能节点映射为预定义的代码模板。例如，“移动”节点转换为ros 2下的action客户端调用，“抓取”节点转换为调用力控伺服函数。组合后生成完整的python代码或行为树xml文件。代码中自动添加安全监控回调函数，用于执行过程中的实时异常检测。

21、步骤s5：数字孪生仿真验证

22、生成的代码首先在数字孪生环境中运行。数字孪生环境基于物理引擎（如nvidiaisaac sim、gazebo）构建，包含与实体机器人完全一致的运动学模型、动力学参数和场景布局。系统自动运行仿真，观察机器人是否按照预期完成任务，是否发生碰撞或超出安全范围。若仿真失败，则返回步骤s2重新进行任务分解；若仿真成功，则代码被标记为“已验证”。

23、步骤s6：实体机器人执行

24、将仿真验证通过的代码通过网络下发至实体机器人控制器（如ros 2节点），由机器人执行。执行过程中，一个独立的高优先级安全监控节点实时监测关节力矩、末端力、位置偏差，一旦检测到异常立即停止机器人并报警。

25、有益效果

26、与现有技术相比，本发明具有以下优点：

27、1. 显著提高安全性：通过构建物理常识检查器和安全规则库，在任务分解阶段就过滤掉不安全或不可行的子任务，并采用“规划—验证—仿真—执行”四层闭环架构，避免了llm“幻觉”导致的安全事故。

28、2. 增强领域适应性：利用工业知识图谱对llm进行微调，使模型能够准确理解工业专业术语和工艺约束，生成的任务序列更符合实际生产要求。

29、3. 分层验证闭环：设计了递归分解过程中实时验证+数字孪生仿真前置验证+执行中安全监控的完整闭环，每一层都进行验证，极大提高了系统的鲁棒性。

30、4. 独立于llm的验证架构：物理常识检查器和安全规则库完全独立于llm，基于确定性模型和规则进行验证，避免了llm自身判断偏差对安全性的影响。

31、5. 降低机器人编程门槛：用户只需用自然语言描述任务，无需编写代码，大幅提升工业机器人的易用性。