LEMCA: LLM-Guided Synthesis of Efficient Mode-Switching Control Architectures

📄 arXiv: 2609.21319v1 📥 PDF

作者: Arjun Krishna, Vincent Pacelli, Dinesh Jayaraman

分类: cs.RO

发布日期: 2026-09-18

备注: CoRL 2026. Project website: https://lemca-robotics.github.io/

💡 一句话要点

提出LEMCA以解决机器人控制模式切换效率问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 模式切换控制 资源优化 大型语言模型 自动化设计 机器人控制

📋 核心要点

  1. 现有的模式切换控制器设计繁琐，通常依赖专家经验，导致资源配置不够灵活和高效。
  2. 提出LEMCA，通过将控制器设计表示为可解释程序，利用LLM进行迭代优化，简化设计过程。
  3. 实验结果显示，LEMCA在多个控制任务中超越了传统单一设计，显著提高了资源利用效率。

📝 摘要（中文）

在自然界中，物理控制任务如驾驶或物体操作常常在感知和计算复杂性上表现出剧烈变化。因此，动态切换不同控制模式以优化资源配置成为机器人控制的自然选择。然而，传统的模式切换控制器（MSC）设计通常需要专家的繁琐干预，导致现代机器人控制架构往往采用资源浪费的单一结构。为了解决这一设计难题，本文提出了LEMCA，通过将MSC设计表示为可解释的程序，并利用大型语言模型（LLM）的语义先验和推理能力，迭代优化控制模式及其资源分配。实验表明，LEMCA在多个控制基准上发现的策略超越了单一设计的帕累托前沿，有效回收了“简单”任务阶段的浪费资源。

🔬 方法详解

问题定义：本文旨在解决传统模式切换控制器（MSC）设计过程中的复杂性和资源浪费问题。现有方法通常需要专家手动设计，导致无法灵活应对不同任务的资源需求。

核心思路：LEMCA的核心思想是将MSC设计转化为可解释的程序，并利用大型语言模型（LLM）进行迭代优化。通过这种方式，能够自动调整控制模式及其资源分配，从而提高设计效率和性能。

技术框架：LEMCA的整体架构包括三个主要模块：1) MSC设计表示为可解释程序；2) 基于强化学习的设计适应性评估；3) LLM驱动的模式和资源分配迭代优化。

关键创新：LEMCA的主要创新在于结合了LLM的语义理解和推理能力，使得控制器设计过程自动化，显著降低了设计难度，并提高了资源利用效率。与传统方法相比，LEMCA能够在不同任务阶段灵活调整资源分配。

关键设计：在设计过程中，LEMCA使用了强化学习算法来评估控制器的适应性，损失函数则基于任务完成度和资源消耗的平衡。此外，控制模式的选择和资源分配策略通过LLM的迭代编辑实现，确保了设计的灵活性和高效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在多个控制基准测试中，LEMCA发现的控制策略超越了传统单一设计的性能，具体表现为在“简单”任务阶段回收了大量资源，提升幅度显著，证明了其在资源效率上的优势。

🎯 应用场景

LEMCA的研究成果在机器人控制、自动驾驶、智能制造等领域具有广泛的应用潜力。通过实现高效的模式切换控制，能够显著提升机器人在复杂环境中的适应能力和资源利用率，推动智能系统的进一步发展。

📄 摘要（原文）

Physical control tasks in the natural world, such as driving or object manipulation, frequently exhibit dramatic variations in sensory and compute complexity over time. Correspondingly, a natural resource-efficient choice for robot control is to dynamically switch between control modes with varying resource allocations. However, such "mode-switching controllers" (MSCs) have historically required laborious, expert-driven design and synthesis for each new task. Driven by these design difficulties, modern robotic control architectures often fall back to a wasteful "monolithic" one-size-fits-all structure, where resource allocation is permanently anchored to the hardest, most resource-intensive task phases. To facilitate the design of performant yet efficient MSCs, we propose LLM-Guided synthesis of Efficient Mode-Switching Control Architectures (LEMCA). LEMCA represents MSC designs as interpretable programs to be iteratively refined in an evolutionary loop. To evaluate design fitness, we propose MSC-compatible extensions of automated controller synthesis approaches, such as reinforcement learning in simulation. LEMCA then leverages the semantic priors, reasoning, and coding capabilities of Large Language Models (LLMs) to iteratively edit controller modes, their corresponding sensory-compute resource allocations, and mode transitions. Our experiments across diverse control benchmarks show that LEMCA consistently discovers strategies that surpass the Pareto frontier of monolithic designs by reclaiming wasted resources during "easy" task phases. LEMCA thus presents an automated, low-effort path to synthesize resource-efficient MSC designs.