An LLM-Based Assistance System for Intuitive and Flexible Capability-Based Planning
作者: Luis Miguel Vieira da Silva, Nicolas König, Felix Gehlhoff
分类: cs.AI
发布日期: 2026-05-27
💡 一句话要点
提出基于LLM的辅助系统，提升基于能力的规划在工业自动化中的可访问性和适应性。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 能力规划 符号规划 工业自动化 人机协作 SMT求解器 知识模型 自适应规划
📋 核心要点
- 现代工业中，模块化和可重构资源的复杂性对流程序列的自动规划提出了挑战，现有基于能力的规划方法在实际应用中存在解释性差和适应性弱的问题。
- 本文提出了一种混合辅助系统，利用LLM增强了基于能力的SMT规划方法，通过自然语言交互和知识模型自适应，提升规划系统的可用性。
- 实验结果表明，该系统在模块化生产系统中能够有效处理知识查询、可满足/不可满足规划，并通过用户批准的知识模型修改实现自适应规划。
📝 摘要（中文）
本文提出了一种混合辅助系统，该系统利用大型语言模型（LLM）增强了现有的基于能力的SMT规划方法，以实现自然语言交互、解释和适应。形式规划的正确性仍然由符号规划器保证，而LLM层处理自然语言访问和灵活的知识模型适应，并由人工参与（HitL）进行显式批准。该系统分解为四个组件：能力基础、符号规划、结果解释和规划适应，这些组件被实现为一个路由代理工作流，其中中央路由器委托给五个专门的代理。该系统在一个模块化生产系统上进行了四种场景类型的评估。在23个测试用例中，10个知识查询中有9个以及所有4个可满足的规划用例都得到了正确处理，4个不可满足的用例中有3个产生了具体的修复建议，并且所有5个自适应规划场景都通过迭代的、用户批准的知识模型修改解析为可满足的计划。研究结果证实，将形式规划与基于LLM的辅助相结合，可以显著提高工业自动化中的可访问性和适应性。
🔬 方法详解
问题定义：论文旨在解决现代工业中基于能力的规划方法在动态环境和复杂资源配置下的应用难题。现有方法在解释规划结果（尤其是不满足情况）和适应变化的操作条件或需求方面存在不足，导致实际应用受限。
核心思路：核心思路是将形式化的符号规划与LLM的自然语言理解和生成能力相结合。符号规划保证规划的正确性，而LLM负责提供易于理解的解释、建议和知识模型自适应，从而提高系统的可用性和灵活性。
技术框架：该系统由四个主要组件构成：1) 能力基础（Capability Grounding）：将自然语言描述的能力转化为形式化的表示；2) 符号规划（Symbolic Planning）：使用SMT求解器进行形式化的规划；3) 结果解释（Result Interpretation）：利用LLM将规划结果转化为自然语言解释；4) 规划适应（Planning Adaptation）：根据用户反馈，利用LLM修改知识模型，以适应新的操作条件或需求。这些组件通过一个路由代理工作流连接，由一个中央路由器将任务分配给五个专门的代理。
关键创新：关键创新在于将LLM集成到传统的基于能力的规划流程中，实现了自然语言交互、解释和自适应。这种混合方法结合了形式化方法的可靠性和LLM的灵活性，显著提高了系统的可用性和适应性。
关键设计：系统采用路由代理工作流，将不同的任务分配给专门的代理，例如知识查询代理、规划代理、解释代理和适应代理。这种模块化设计使得系统易于扩展和维护。此外，系统强调人工参与（HitL），用户可以审查和批准LLM提出的知识模型修改，以确保规划的正确性和安全性。
🖼️ 关键图片
📊 实验亮点
在模块化生产系统的实验中，该系统成功处理了9/10的知识查询和所有4个可满足的规划用例。在4个不可满足的用例中，有3个产生了具体的修复建议。所有5个自适应规划场景都通过迭代的、用户批准的知识模型修改，最终生成了可满足的计划。这些结果表明，该系统能够显著提高基于能力的规划在实际工业环境中的可用性和适应性。
🎯 应用场景
该研究成果可应用于各种工业自动化场景，例如柔性制造、智能仓储和机器人流程自动化。通过提供自然语言交互和自适应能力，该系统可以降低规划系统的使用门槛，提高生产效率，并支持快速响应市场变化和客户需求。
📄 摘要（原文）
In modern industry, dynamic environments and the complexity of modular and reconfigurable resources require automated planning of process sequences. Capability-based planning approaches address this by automatically generating plans from semantic knowledge models that describe resource functions in a machine-interpretable form. Their practical use, however, remains limited: solver feedback, especially in the case of unsatisfiability, is difficult to interpret, and the knowledge models require adaptation as operational conditions change or requests become infeasible. This paper presents a hybrid assistance system that augments an existing capability-based Satisfiability Modulo Theories (SMT) planning approach with an Large Language Model (LLM)-based layer for natural-language interaction, explanation, and adaptation. Formal planning correctness remains with the symbolic planner, while the LLM layer handles natural-language access and flexible knowledge model adaptation under explicit Human-in-the-Loop (HitL) approval. The system decomposes into four components: Capability Grounding, Symbolic Planning, Result Interpretation, and Planning Adaptation, realized as a routed agentic workflow in which a central router delegates to five specialized agents. The system is evaluated on a modular production system across four scenario types. Of 23 test cases, 9 of 10 knowledge queries and all 4 satisfiable planning cases were handled correctly, 3 of 4 unsatisfiable cases produced concrete repair proposals, and all 5 adaptive planning scenarios resolved into satisfiable plans through iterative, user-approved knowledge model modifications. The findings confirm that combining formal planning with LLM-based assistance substantially improves accessibility and adaptability in industrial automation.