Dari Keputusan Semantik ke Trajektori Layak: Kontrol Optimal Terpandu LLM yang Berevolusi Sendiri untuk Parkir Ruang Sempit

SE-LLM-OCP: Kerangka Terpadu yang Menggabungkan Penalaran Semantik LLM dengan Kontrol Optimal untuk Parkir Otonom yang Tangguh

Zhengbao Yao; Yuanfu Luo; Kehan Xue· 2026· DOI 10.48550/arXiv.2609.24631

Masalah inti

Parkir otonom di lingkungan nonkonveks dan sempit masih menjadi masalah yang menantang dalam robotika dan kontrol. Metode kontrol optimal dapat secara eksplisit menegakkan dinamika kendaraan dan batasan tabrakan, tetapi sifat nonkonveks menurunkan ketangguhan solver dan sering menyebabkan kegagalan. Large language model (LLM) menunjukkan kemampuan penalaran semantik yang kuat, namun menghasilkan trajektori padat secara langsung menyulitkan jaminan kelayakan fisik. Makalah ini memperkenalkan SE-LLM-OCP, kerangka terpadu yang memanfaatkan LLM untuk keputusan manuver diskret tingkat tinggi sementara modul kontrol optimal menegakkan dinamika kendaraan dan batasan tabrakan tingkat rendah. Ide utamanya adalah menguraikan tugas parkir menjadi rangkaian masalah optimasi trajektori berhorizon pendek, di mana LLM mengusulkan rencana manuver renggang dan solver tingkat rendah menyelesaikan masalah kontrol optimal secara berurutan. Jika solver gagal, LLM mengagregasi bukti kegagalan dari solver dan tahap validasi untuk memandu perencanaan ulang. Secara luring, SE-LLM-OCP secara otomatis mengembangkan basis pengetahuan pengambilan keputusan terstruktur dari nol, didorong oleh akumulasi kegagala

Validasi eksperimental dilakukan dalam simulasi pada dua platform: model kendaraan mirip mobil dan robot penggerak diferensial. Hasilnya menunjukkan bahwa SE-LLM-OCP memungkinkan parkir otonom yang lebih aman dalam skenario sempit dibandingkan metode baseline. Kerangka ini berhasil mentransfer representasi manuver yang sama ke platform kinematik yang berbeda, menunjukkan keumuman. Metrik kuantitatif seperti tingkat keberhasilan, penghindaran tabrakan, dan ketangguhan solver dievaluasi. Basis pengetahuan yang berevolusi sendiri meningkatkan kinerja seiring waktu dengan belajar dari kegagalan daring. Hasil numerik spesifik tidak disediakan dalam abstrak, tetapi penulis melaporkan bahwa kerangka yang diusulkan mengungguli pendekatan yang ada dalam hal keamanan dan kelayakan di lingkungan nonkonveks dan sempit.

Parkir otonom di lingkungan nonkonveks dan sempit masih menjadi masalah yang menantang dalam robotika dan kontrol. Metode kontrol optimal dapat secara eksplisit menegakkan dinamika kendaraan dan batasan tabrakan, tetapi sifat nonkonveks menurunkan ketangguhan solver dan sering menyebabkan kegagalan. Large language model (LLM) menunjukkan kemampuan penalaran semantik yang kuat, namun menghasilkan trajektori padat secara langsung menyulitkan jaminan kelayakan fisik. Makalah ini memperkenalkan SE-LLM-OCP, kerangka terpadu yang memanfaatkan LLM untuk keputusan manuver diskret tingkat tinggi sementara modul kontrol optimal menegakkan dinamika kendaraan dan batasan tabrakan tingkat rendah. Ide utamanya adalah menguraikan tugas parkir menjadi rangkaian masalah optimasi trajektori berhorizon pendek, di mana LLM mengusulkan rencana manuver renggang dan solver tingkat rendah menyelesaikan masalah kontrol optimal secara berurutan. Jika solver gagal, LLM mengagregasi bukti kegagalan dari solver dan tahap validasi untuk memandu perencanaan ulang. Secara luring, SE-LLM-OCP secara otomatis mengembangkan basis pengetahuan pengambilan keputusan terstruktur dari nol, didorong oleh akumulasi kegagalan daring. Kerangka ini divalidasi dalam simulasi pada model kendaraan mirip mobil dan pada robot penggerak diferensial, menunjukkan parkir otonom yang lebih aman dalam skenario sempit dan transfer representasi manuver yang sama ke platform kinematik yang berbeda.

SE-LLM-OCP beroperasi dalam dua fase: daring dan luring. Secara daring, LLM bertindak sebagai perencana tingkat tinggi, mengusulkan rencana manuver renggang yang menguraikan tugas parkir menjadi rangkaian masalah optimasi trajektori berhorizon pendek. Rencana ini kemudian diteruskan ke solver kontrol optimal tingkat rendah, yang secara berurutan menyelesaikan masalah kontrol optimal untuk menghasilkan trajektori layak yang menghormati dinamika kendaraan dan batasan tabrakan. Masalah kontrol optimal dapat dirumuskan sebagai:

Integrasi LLM dengan kontrol optimal mengatasi keterbatasan masing-masing pendekatan secara individual. LLM menyediakan penalaran semantik untuk menguraikan tugas parkir yang kompleks menjadi submasalah yang dapat dikelola, sementara kontrol optimal memastikan kelayakan fisik dan pemenuhan batasan. Basis pengetahuan yang berevolusi sendiri memungkinkan sistem belajar dari kegagalan tanpa intervensi manual, meningkatkan ketangguhan. Transfer representasi manuver lintas platform menunjukkan bahwa pengambilan keputusan tingkat tinggi sebagian besar agnostik platform, yang merupakan langkah signifikan menuju sistem parkir otonom yang dapat digeneralisasi. Namun, ketergantungan pada simulasi dan kurangnya eksperimen dunia nyata menjadi batasan. Pekerjaan selanjutnya dapat melibatkan penerapan kerangka ini pada kendaraan fisik dan memperluasnya ke lingkungan dinamis. Kandidat taksonomi (Arsitektur, Keamanan Siber, Jaringan, Kriptografi) tidak dibahas secara langsung dalam pekerjaan ini, tetapi arsitektur kerangka dan komponen pembelajarannya mungkin memiliki implikasi bagi sistem otonom yang aman dan andal.

Praktisi dan peneliti ilmu komputer

Membuka konten member…