From Natural Language Intent to Executable Control: Hierarchical Feedback-Guided LLM Planning for Multi-component Cyber-Physical Systems

📄 arXiv: 2610.22441v1 📥 PDF

作者: Jinglin Dai, Jiawan Wang, Ruiqi Hong, Lei Bu

分类: cs.AI

发布日期: 2026-10-15

备注: 20 pages, 6 figures

💡 一句话要点

提出分层反馈引导的LLM规划以解决CPS执行问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 网络物理系统 大型语言模型 任务规划 信号时序逻辑 反馈机制 控制合成 多组件系统

📋 核心要点

  1. 现有的LLM规划方法在理解用户意图和生成可行计划方面存在不足，导致执行失败。
  2. 本文提出了一种分层反馈框架，通过不同类型的反馈信息指导LLM生成可执行的CPS计划。
  3. 在七个多组件CPS场景中的实验表明，该框架的成功率达到87.9%，显著提升了执行效果。

📝 摘要（中文）

大型语言模型（LLMs）为将自然语言命令转化为网络物理系统（CPS）的任务计划提供了便利的接口。然而，生成的计划可能误解或遗漏用户意图，且即使逻辑上可行的计划在组件动态、交互或安全约束下也可能不可行。现有的基于LLM的规划方法往往缺乏对生成计划失败原因的有效反馈，难以指导计划的修订。为此，本文提出了一种分层反馈框架，利用不同类型的反馈信息引导LLM生成可执行的CPS计划。我们促使LLM生成结构化任务计划及相应的信号时序逻辑（STL）约束，并设计了一种算法来识别二者之间的明确矛盾并提供反馈。通过在七个异构多组件CPS场景中的实验，我们的框架能够生成可执行的计划和满足原始自然语言任务的可行控制执行，成功率达到87.9%。

🔬 方法详解

问题定义：本文旨在解决现有LLM规划方法在生成可执行计划时对用户意图的误解及计划执行失败的问题。现有方法缺乏有效的反馈机制，导致用户难以修订生成的计划。

核心思路：论文的核心思路是构建一个分层反馈框架，利用结构化任务计划和信号时序逻辑（STL）约束之间的反馈信息，引导LLM生成更为准确和可执行的计划。通过识别计划中的矛盾，提供修订建议。

技术框架：整体架构包括两个主要模块：第一模块是生成结构化任务计划和STL约束，第二模块是执行阶段的控制合成与反馈机制。当控制合成失败时，提取诊断信息以指导任务的重新规划。

关键创新：最重要的技术创新在于引入了分层反馈机制，能够有效识别和修正生成计划中的矛盾，提升了计划的可执行性。这一方法与现有的单一反馈机制有本质区别。

关键设计：在设计中，采用了结构化任务计划与STL约束的双重生成机制，并设计了一种算法来识别矛盾。此外，提取的诊断信息包括违反的约束和冲突的组件分配，为后续的任务重新规划提供了依据。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，提出的框架在七个异构多组件CPS场景中成功率达到87.9%，相比于现有方法有显著提升。这表明该方法在生成可执行计划和控制执行方面具有良好的实用性和有效性。

🎯 应用场景

该研究的潜在应用领域包括智能制造、自动驾驶、智能家居等网络物理系统。通过提升自然语言指令到可执行控制的转化能力，能够显著提高系统的自动化水平和用户体验，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Large language models (LLMs) provide a convenient interface for translating natural language commands into task plans for cyber-physical systems (CPSs). However, two gaps hinder their use for real execution: generated plans may misinterpret or omit the user's intent, and even a logically plausible plan may be infeasible under component dynamics, interactions, or safety constraints. Existing LLM-based planning approaches often lack informative feedback on why a generated plan fails, providing little guidance for revising the plan accordingly. To address these challenges, we present a hierarchical feedback framework that uses different types of feedback information to guide LLMs in generating executable plans for CPSs. We prompt LLMs to generate both a structured task plan and corresponding signal temporal logic (STL) constraints, and design a sound algorithm that identifies definite contradictions between them and provides feedback for revising inconsistencies. At the execution level, when control synthesis fails, we extract different types of diagnostic information, such as violated constraints and conflicting component assignments, and feed them back to guide task replanning. Experiments on seven heterogeneous multi-component CPS scenarios have shown that our framework can generate executable plans and feasible control executions that satisfy the original natural language missions with a success rate of 87.9% with GPT-5.