随着电动汽车行业的快速发展和退役电池数量的急剧增加,传统的纯人工拆解方法不仅劳动密集且效率低下,还面临着高压、有毒物质泄漏和热失控等严重安全风险[4]。因此,机器人拆解已逐渐成为研究热点,一些学者开发了针对螺钉和汇流排等核心部件的自动识别与操作系统,能够有效替代人工完成高风险任务[5尽管如此,以往的大多数研究主要集中在预定义的拆解任务人机分配上,即由人类处理无结构的线束,而机器人执行高度重复的动作,但它们并未充分考虑退役电池长期使用导致的腐蚀、变形和累积装配误差等非稳态因素,这使得机器人在面对环境流变学时规划鲁棒性有限[6如何实现具有严密逻辑和物理适应性的自主规划,仍是提升电池拆解智能化水平的重要方向。此外,认可处理动态环境的底层控制策略的进展也至关重要。现有方法,如状态滤波扰动抑制控制,以及通过演员-评论家机制处理受扰非线性系统的多层神经自适应强化学习[7],在关节和执行器层面抑制连续动态干扰方面展现出了卓越的能力。 随着具身智能从基础模型向更复杂的物理交互演进[8],利用几何对称性来增强系统的泛化能力已变得至关重要。正如近期研究所示,具备对称感知能力的架构可以有效处理视觉感知中的旋转不变性[9] 并优化强化学习中的动作-奖励结构 [10]。凭借卓越的语义理解和常识推理能力,大语言模型(LLMs)重塑了机器人任务规划的范式,促使机器人逐渐演变为具备知识推理和经验值积累能力的主体[11]。人类在处理复杂拓扑关系和应对突发物理故障方面具有天然优势,而机器人在操作精度和长期逻辑一致性方面表现出色。为了弥补非稳态环境下符号规划缺乏具身性的不足,研究人员开始寻求结合感知、语言和逻辑的联动机制,以处理动态任务表达[12]。与传统的基于规则或有限状态机的方法相比,大语言模型在常识推理和跨模态语义映射方面具有显著优势,能够实现复杂拆解指令的零样本泛化。特别是在长序列任务规划中,大语言模型可以从非结构化文本中提取高层语义骨架,为逻辑驱动的任务分解和策略生成提供新路径。例如,Wang等人提出了一种基于大语言模型思维链的人机协作框架,赋予机器人类人的感知、交互、自我推理、任务规划和任务执行思维模式及执行能力[13]. Similarly, scholars have performed task planning by combining LLMs with Retrieval-Augmented Generation (RAG) mechanisms and vision–language models with in-context reasoning to improve the robustness of robots in solving problems when environmental fluctuations occur [14,15]. 与此同时,为了提升大语言模型的经验值积累能力,一些学者提出了基于代码技能库的长期记忆机制,使智能体能够通过积累成功的操作经验来应对开放环境[16]。为了解决装备故障等问题,其他学者提出了将多模态因果知识超图与大语言模型相结合[17,18]。同时,许多学者尝试将大语言模型与元启发式算法结合用于任务分配,初步展示了语义推理和元启发式搜索的潜力[11]. 传统的PDDL理论上可以通过符号建模实现严密的逻辑推理,但在涉及非稳态的拆解环境中,由于高度依赖静态封闭世界假设,它往往表现出鲁棒性不足的问题。这一局限性促使研究人员探索将PDDL作为高层逻辑注入大语言模型(LLM)的规划方法。一些研究提出了基于LLM生成PDDL模型和多级目标分解的方法;虽然这提高了规划的逻辑性和准确性,但大多集中在离散逻辑或高层任务分配上,在处理涉及连续物理参数的实时自适应调整方面仍显不足[19] 在电池拆解领域,研究已利用大语言模型来引导PDDL规划器的搜索过程,但目前仅限于相对简单的单对象场景,且无法解决人机协作过程中出现非稳态干扰时的执行鲁棒性问题[20]. 最近,端到端视觉-语言-动作(VLA)模型和视觉-语言模型(VLMs)在弥合语言-感知-动作差距方面展现出了令人印象深刻的能力。然而,在退役电池拆解等高风险工业场景中,纯VLA模型存在严重的局限性。首先,端到端VLA网络充当“黑盒”,缺乏防止灾难性故障(例如由短路引起的电池热失控)所需的严格逻辑可解释性和安全保障。其次,训练鲁棒的VLA模型需要海量的配对轨迹数据,而对于高度异构的退役电池而言,这些数据极其稀缺。尽管通过大语言模型(LLM)实现的响应式规划为人机协作创造了闭环,但其本质仍是语义重规划。在非稳态拆解条件下,现有的LLM响应式架构缺乏对不同场景中动态信息的理解,无法实现从逻辑到场景的深度跨越。因此,为了赋予机器人处理复杂非稳态环境的认知能力,张等人提出将知识图谱(KG)与LLM相结合,其中知识图谱由动态信息库和相对静态的知识库组成,旨在解决非稳态环境下机器人规划的相关挑战[21]。针对退役电池拆解的非稳态场景,本文提出了一种与长期记忆和短期记忆框架协同的PDDL生成框架,利用大语言模型(LLM)和知识图谱(KG)的结合将通用电池拆解知识存储为长期记忆,并引入元启发式算法作为短期记忆,以理解任务执行过程中的非稳态场景,从而有效填补高层逻辑骨架与底层非稳态执行之间的空白,实现退役电池拆解场景下规划生成的物理适应性和执行鲁棒性。