本书目录直达

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第1章 机器人建模回顾-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第2章 连续与离散动力学与接触建模-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第3章 优化基础与数值方法-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第4章 视觉感知与三维理解 (一)-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第4章 视觉感知与三维理解 (二)详细推导-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第4章 — 代码实现扩展（工程/可运行 / 深度细节）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第5章 多模态感知与融合（深入数学推导与理论分析）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第6章 触觉与高分辨触觉（GelSight 等）与接触状态估计-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第7章 轨迹规划与碰撞避让 — 原理与深入推导-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第7章 (二) 轨迹规划与碰撞避让：采样式与优化式算法实战-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第 8 章 运动学与动力学的优雅耦合——原理详解-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第9章 全身优化与接触显式轨迹优化（Contact-Implicit TO）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第10章 MPC 与在线重规划（Model Predictive Control）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第11章 强化学习基础与进阶（数学推导与理论分析）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第12章 Sim-to-Real：域随机化、系统识别与自适应（推导与证明）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第13章 高样本效率策略：模仿学习、离线 RL 与混合方法-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第14章 多指手 / 人形手的动力学与控制 — 算法原理推导-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第15章 触觉引导与多接触操控 — 严谨推导与证明-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第16章 双臂协同与人形机体上的物体搬运-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第17章 任务与运动结合规划 (Task and Motion Planning, TAMP)-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第18章 以LLM为中枢的机器人高层控制-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第19章 安全控制理论与在线实现：CBF/CLF框架的数学基础与工程化路径-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第20章 形式化验证、测试与仿真基准：自动化测试套件、度量标准与实机验收流程-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第21章 力学与致动器设计的算法影响-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第22章 软件栈与实时体系（ROS2、实时中间件、联邦学习与分布式训练）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第23章 实验室部署指南：从仿真到物理现实-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第24章 经典/现代人形与相关项目解读-CSDN博客

在第17章中，我们探讨了TAMP（任务与运动结合规划）的经典框架，其核心在于（搜索+优化）的紧密耦合。该框架虽然理论完备，但面临着两大挑战：1) 符号规划（搜索）的组合爆炸性；2) 运动规划（优化）的计算高昂性，特别是当需要“失败-再规划”循环时。

大型语言模型（LLM）的出现，为这一领域提供了全新的、基于数据驱动的范式。LLM强大的常识推理和上下文理解能力，使其成为一个理想的“符号规划器”或“高级启发式函数”，能够将非结构化的人类指令 $I$ 映射到高层的动作序列。

本章的目标是深入推导LLM如何被用作机器人高层控制中枢，我们不局限于描述特定系统（如SayCan, PaLM-E, RT-1），而是从基本原理出发，推导三种核心的“接地”（Grounding）范式，并分析其背后的数学与逻辑基础。

---

18.1 基本问题：从语言到物理的概率映射

---

18.2 范式一：LLM作为概率规划器 (SayCan 范式)

18.2.1 概率接地（Probabilistic Grounding）的推导

18.2.2 接口设计与分析

---

18.3 范式二：端到端控制即序列建模 (RT-1 范式)

18.3.1 理论：将控制问题转译为语言建模

18.3.2 推导：动作的词元化 (Action Tokenization)

18.3.3 分析与局限

• 优点： 这是一个端到端的策略，不需要 $\mathcal{A}$。它隐式地学习了规划、可行性分析和低层控制。指令 $I$ 作为上下文调节 (Condition) 整个模型的输出。

• 局限（数据饥渴）： 此范式完全依赖海量的、高质量的 $(I, o, a)$ 模仿学习数据。它“看到”的越多，性能越好。与范式一（SayCan）可以利用LLM的先验常识不同，RT-1 必须从数据中重新学习所有常识。

---

18.4 范式三：具身LLM (Embodied LLM / PaLM-E 范式)

18.4.1 推导：多模态词元的融合

18.4.2 分析与挑战

---

18.5 综合分析：架构对比与工程挑战