بهبود خودگردانی و برنامه ریزی وظایف در ربات های شناختی با تلفیق مدل های زبانی بزرگ (LLMs) و معماری های شناختی سنتی

ربات های شناختی با هدف تعامل هوشمندانه با محیط های پویا و نامعین توسعه یافته اند. با این حال، معماری های شناختی سنتی (مانند SOAR و ACT-R) با وجود برخورداری از ساختار منطقی مستحکم و قابلیت های استدلال صوری، در مواجهه با وظایف جهان باز و درک معنایی عمیق از دستورات زبان طبیعی دچار چالش بازنمایی و انعطاف پذیری هستند. از سوی دیگر، مدل های زبانی بزرگ پتانسیل بالایی در استدلال معنایی و تولید برنامه های سطح بالا نشان داده اند، اما به دلیل چالش هایی نظیر توهم معنایی و عدم ارتباط فیزیکی با واقعیت، نمی توانند ایمنی و پایداری لازم را در سیستم های حسی-حرکتی رباتیک تضمین کنند. این مقاله، یک چارچوب مفهومی نوین تحت عنوان «معماری شناختی ترکیبی زبانی-نمادی» ارائه می دهد. این معماری از طریق ایجاد یک حلقه بازخورد بسته میان لایه برنامه ریزی معنایی (مبتنی بر LLM) و لایه تایید قوانین منطقی و ایمنی (مبتنی بر معماری های شناختی کلاسیک)، خودگردانی و قابلیت برنامه ریزی وظایف را بهبود می بخشد. مدل پیشنهادی بدون نیاز به پیاده سازی های سخت افزاری خاص، از منظر نظری تحلیل شده و راهکاری جامع برای غلبه بر مسئله زمینه سازی نمادین ارائه می کند.

کلیدواژه ها:

رباتیک شناختی ، مدل های زبانی بزرگ ، معماری های شناختی سنتی ، هوش مصنوعی تجسم یافته ، استدلال نمادین