Meta-Control: Automatic Model-based Control Synthesis for Heterogeneous Robot Skills

本文指出，实际操作任务的要求是多样化和经常相互冲突的；有些任务需要力量限制或避免碰撞，而其他任务需要高频反馈。使用固定的状态-动作表示和控制策略来满足这些不同的要求是具有挑战性的，这妨碍了通用机器人基础模型的发展。本文提出了Meta-Control，这是第一个采用LLM的自动控制综合方法，它创建了定制的状态表示和控制策略，以适应特定任务。Meta-Control利用通用的分层控制框架来解决各种异构任务。我们的核心见解是将状态空间分解为抽象任务空间和具体跟踪空间。通过利用LLM的广泛常识和控制知识，我们使LLM能够使用预定义但抽象的模板设计这些空间，包括状态、动态模型和控制器。Meta-Control以其完全基于模型的特性而脱颖而出，允许进行严格的分析、高效的参数调整和可靠的执行。它不仅利用了LLM所包含的数十年的控制专业知识来促进异构控制，而且还确保了形式保证，如安全性和稳定性。我们的方法在冲突要求的各种任务中，在真实世界场景和模拟中得到了验证，例如避免碰撞与收敛以及合规性与高精度。视频和其他结果请参见meta-control-paper.github.io。

Meta-Control的目标是解决机器人控制中的多样化和冲突的需求，提出一种基于LLM的自动控制合成方法，为特定任务创建定制的状态表示和控制策略。

Meta-Control的核心思想是将状态空间分解为抽象任务空间和具体跟踪空间，并利用LLM的知识设计这些空间，包括状态、动态模型和控制器，以解决多样化和冲突的需求。

Meta-Control是完全基于模型的方法，可以提供严格的分析、高效的参数调整和可靠的执行，并确保安全和稳定性。通过在真实场景和模拟中验证，Meta-Control在冲突需求的多样化任务中表现出色。

近年来，类似的研究还有基于深度强化学习的方法，如D4PG和SAC。此外，还有一些基于模型的控制方法，如MPC和LQR。