一种基于大语言模型异常反馈的充电任务动态重规划方法
本发明属于机器人任务规划与人工智能交叉,具体涉及一种用于新能源汽车充电机器人的任务规划方法,尤其是一种基于大语言模型在充电作业过程中检测异常、分类异常并动态重规划任务的技术方案。
背景技术:
1、随着大语言模型技术的快速发展,将其应用于机器人任务规划与决策已成为行业热点。目前,已有多种技术方案试图利用大语言模型实现机器人对自然语言指令的理解和任务执行。
2、经检索,与本技术相关的现有技术如下:
3、一、基于大模型的任务分解与调度类技术
4、对比文件1:公开号为cn121798674a的中国专利申请(中豫具身智能实验室,申请日2025年12月9日,公开日2026年4月7日)公开了一种基于大模型的人形机器人大脑决策调度方法及系统。其技术方案为:获取人形机器人的视觉图像、语音指令及本体状态数据;利用多模态编码器将数据映射到统一语义向量空间;通过提示工程触发思维链推理,将自然语言指令分解为原子任务序列;任务调度器构建动态任务队列并向执行agent分发指令。然而,该技术仅涉及任务分解与调度,其状态监控仅用于将状态数据回写至大模型的上下文窗口,未对异常进行检测、分类或触发重规划。
5、二、基于大模型的重规划类技术
6、对比文件2:公开号为cn121625160a的中国专利申请(申请人路飞等,申请日2026年1月14日,公开日2026年3月10日)公开了一种基于双轨重规划策略的机器人闭环任务规划方法及系统。其技术方案为:使用大语言模型生成动作序列;在每一步动作执行前进行可执行性判定,在执行后进行成功性判定;当判定不可执行或执行失败时,触发重规划决策器,在“计划重构”与“任务替代”两种策略之间选择。然而,该技术的异常判定仅为二值判定,无精细化分类;重规划策略仅在两种之间做二元选择,无异常类型驱动的差异化策略。
7、对比文件3:公开号为cn122281867a的中国专利申请(申请人刘畅等,申请日2026年3月31日,公开日2026年6月26日)公开了一种基于大语言模型的机器人自适应重规划方法。其技术方案为:机器人通过传感器捕获环境信息;利用大语言模型构建基元技能树并生成最优任务序列;在运动过程中接收新的观测信息,通过自适应重规划机制判定是否需要触发重规划。然而,该技术的重规划触发判定机制未公开具体实现方式,未涉及异常的分类处理,未公开结构化异常信息的数据格式。
8、对比文件4:公开号为cn121857704a的中国专利申请(申请日2026年1月20日,公开日2026年4月14日)公开了一种基于视觉语言大模型与扩散策略的四足机器人臂腿协同避障方法。其技术方案为:获取多源传感器数据,利用激光雷达和视觉语言大模型构建包含作业安全规则的语义风险势能场;将几何占据信息、语义风险势能场及机器人全身状态输入预训练的条件扩散策略模型,生成全维状态参考轨迹簇。然而,该技术涉及避障路径重规划,不涉及充电作业任务异常处理;安全规则融入路径生成,非独立的任务级安全验证;应用场景为四足机器人避障,非充电机器人。
9、三、基于大模型的异常处理类技术
10、对比文件5:公开号为cn120715882a的中国专利申请(申请人平安科技(上海)有限公司,申请日2025年6月23日,公开日2025年9月30日)公开了一种机器人异常处理方法。其技术方案为:实时采集机器人的状态数据和环境数据;利用预训练的视觉语言大模型对数据进行分析,识别目标异常因素;评估异常因素的影响程度;基于评估结果利用大语言模型对任务执行策略进行调整。然而,该技术的异常识别依赖视觉语言大模型实时分析,计算开销大、实时性差;异常识别结果为自然语言描述,非结构化;未对异常进行预定义的精细化分类。
11、四、充电机器人专用类技术
12、对比文件6:公开号为cn122155313a的中国专利申请(申请人国网(山东)电动汽车服务有限公司,申请日2026年5月,公开日2026年6月8日)公开了一种具身充电机器人动态调度方法。其技术方案为:边缘调度服务器构建双状态映射关系,获取各充电机器人到达任务点的时空特征数据;对共享资源的占用冲突进行判定;以冲突判定结果与可用机器人集合为约束生成调度策略;获取机器人上报的阶段数据,基于双状态映射关系判定异常时触发状态回滚。然而,该技术涉及多机调度中的异常处理,非单机任务执行异常;异常处理方式为“状态回滚”,非基于大模型的任务重规划;无异常分类机制。
13、对比文件7:公开号为cn121934495a的中国专利申请(申请人四川大学等,申请日2025年12月17日,公开日2026年4月28日)公开了一种基于视觉感知的充电机器人智能调度与控制方法。其技术方案为:构建全局规划与局部决策融合的双层架构;中心调度系统生成全局无冲突时空路径;各机器人通过视觉传感器实时构建局部三维语义地图;当检测到碰撞风险时,触发去中心化协商协议,自主重规划局部避障路径。然而,该技术涉及路径避障重规划,非任务执行异常处理;无异常分类机制;无大语言模型参与决策。
14、五、异常分类相关技术
15、对比文件8:公开号为cn121302172a的中国专利申请公开了一种机器人应急接管方法。其技术方案为:获取机器人的运行状态;在确定机器人发生异常的情况下,对异常进行分类,得到异常类别;执行与异常类别对应的差异化应急接管流程。然而,该技术虽涉及异常分类,但未公开具体分类方式;未涉及大语言模型;未涉及结构化异常信息生成;应用场景为“应急接管”,非任务重规划
16、综合上述对比文件,现有技术存在以下共同缺陷:
17、1.缺乏精细化的异常分类机制。cn121625160a仅做二值判定,cn120715882a虽识别异常因素但未做预定义分类,cn121302172a虽提及分类但未公开具体方式。
18、2.缺乏结构化的异常信息传递机制。现有技术均以自然语言描述或非结构化方式传递异常信息,导致大模型难以精准理解异常本质。
19、3.重规划策略的选择缺乏异常类型驱动的依据。
20、4.现有方案均为通用场景设计,未针对充电机器人场景优化。
21、5.缺乏独立于大模型的安全验证机制。
技术实现思路
1、一、要解决的技术问题
2、本发明针对现有技术的上述缺陷,提供一种基于大语言模型异常反馈的充电任务动态重规划方法,旨在解决以下技术问题:(1)如何对充电作业异常进行精细化分类;(2)如何以结构化形式向大模型传递异常信息;(3)如何建立异常类型与重规划策略的映射关系;(4)如何实现充电机器人专用场景的动态重规划。
3、二、技术方案
4、本发明提供一种基于大语言模型异常反馈的充电任务动态重规划方法,包括以下步骤:
5、s1:任务分解与执行。 获取用户自然语言指令,利用经领域知识微调的大语言模型将所述指令递归分解为层次化任务树,所述任务树中的每个节点对应一个子任务,按照任务树的层级顺序依次执行各子任务。
6、s2:执行状态实时监测。 在执行每个子任务过程中,通过多源传感器实时采集执行状态数据,包括:机械臂关节角度、末端执行器位姿、视觉定位结果、力觉传感数据、充电状态信号。
7、s3:异常检测与分类。 将所述执行状态数据与预期状态数据进行比对,判断当前子任务是否发生异常;若发生异常,则调用预训练的异常分类器对异常进行分类。
8、所述异常分类器将异常划分为以下五类:
9、(1)感知类异常——因环境因素导致传感器无法准确获取目标信息,例如光照变化导致充电口识别失败、雨天镜头起雾;
10、(2)定位类异常——机器人本体定位精度超出容忍范围,例如传感器噪声导致定位偏差超限;
11、(3)操作类异常——机械臂在执行插拔动作时遇到阻力或偏离预期轨迹,例如插枪角度偏差、充电枪未完全插入;
12、(4)通讯类异常——机器人与充电桩之间的数据交互失败,例如充电协议握手失败、状态信息读取超时;
13、(5)安全类异常——检测到可能危及人员或设备安全的风险,例如人员进入作业区域、电池温度超限。
14、所述异常分类器采用监督学习或半监督学习方法训练,输入为执行状态数据,输出为五维概率向量,每个维度对应一类异常的发生概率。
15、s4:结构化异常信息生成。 根据异常分类结果,生成结构化异常信息,包括:
16、·异常类型标识(5位二进制编码,每位对应一类异常);
17、·异常发生时的子任务节点id;
18、·异常发生时的传感器数据快照;
19、·异常严重程度评分(0至1之间);
20、·异常上下文信息(环境温度、光照强度、作业时长等)。
21、s5:基于异常类型的重规划策略选择。 根据所述异常类型标识,从预构建的“异常-策略映射库”中匹配对应的重规划策略:
22、感知类异常→局部重规划,调整视觉参数(调整相机曝光、增益,切换补光模式,重新采集图像);
23、定位类异常→局部重规划,切换传感器融合权重(重新定位,小幅调整路径);
24、操作类异常→局部重规划+参数调整(调整插接速度,改变力控阈值,尝试二次插接);
25、通讯类异常→局部重规划+模式切换(从通讯模式切换至纯视觉模式,重试握手);
26、安全类异常→全局重规划或任务终止(暂停当前任务,启动安全保护程序,通知运维人员)。
27、所述“异常-策略映射库”采用以下方法构建:针对每类异常,由领域专家制定至少一种处理策略;将异常类型与处理策略的映射关系存储为结构化知识;所述映射库支持动态更新。
28、s6:结构化异常信息输入大语言模型触发重规划。 将所述结构化异常信息输入经领域知识微调的大语言模型,触发所述大语言模型按照选定的重规划策略对当前子任务或剩余任务树进行重新分解。
29、s7:重规划结果验证与执行。 对重规划生成的新的子任务,依次调用物理常识检查器和安全规则库进行双重验证。所述物理常识检查器内置机器人运动学模型、动力学约束和碰撞检测模型,用于判断新的子任务的目标位姿是否在机器人的运动学可达范围内以及是否存在碰撞风险。所述安全规则库存储有充电作业的安全规则(如“插枪前须确认充电口已打开”、“拔枪前须确认充电已完成”、“作业过程中禁止人员打开靠近充电口的车门”)。验证通过后执行新的子任务;若验证不充分,则将失败原因反馈至大语言模型要求重新分解。
30、三、有益效果
31、1.精细化的异常分类提升了重规划的精准度和效率。相比于cn121625160a中仅做二值判定的方式、cn120715882a中依赖大模型实时分析的方式以及cn121302172a中未公开具体分类方式的技术方案,本发明通过预训练的异常分类器将异常细分为五类,并针对不同类型匹配差异化的重规划策略,大幅提升了异常处理的效率和实时性。
32、2.结构化的异常信息传递机制提高了大模型的理解准确性。相比于现有技术中以自然语言描述或非结构化方式传递异常信息的方式,本发明将异常信息编码为结构化数据,使大语言模型能够精准理解异常的本质原因,从根本上避免了大模型因模糊描述而产生错误决策的风险。
33、3.建立了异常类型与重规划策略的明确映射关系。相比于cn121625160a中仅在两种策略之间做二元选择,本发明构建了五类异常对应多种策略的映射库,实现了差异化的精准重规划。
34、4.专为充电机器人场景定制。本发明的异常分类(如通讯类异常专门针对充电桩通讯端口不开放的场景)和策略映射(如通讯类异常映射至纯视觉模式切换)均针对充电作业的特殊性进行了专门设计。
35、5.独立于大模型的双重安全验证机制。相比于对比文件4中将安全规则融入路径生成的方式以及现有技术中均未设置独立安全验证的方案,本发明的重规划结果需经过物理常识检查器和安全规则库的双重验证才能执行,从根本上避免了大模型在工业控制中产生错误决策的风险。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com